python做马尔科夫模型预测法_《统计学习方法》—— 10. 隐马尔可夫模型（Python实现）...

本文主要是在阅读过程中对本书的一些概念摘录，包括一些个人的理解，主要是思想理解不涉及到复杂的公式推导。会不定期更新，若有不准确的地方，欢迎留言指正交流

原博客地址：《统计学习方法》--10. 隐马尔可夫模型(Python实现)​blog.csdn.net

本文完整代码github：anlongstory/awsome-ML-DL-leaning​github.com

第 10 章 隐马尔可夫模型

模型基本假设齐次马尔可夫性假设：隐藏的马尔可夫链在任意时刻 t 的状态只依赖于其前一时刻的状态，与其他时刻的状态及观测无关，与t也无关。

观测独立性假设：假设任意时刻的观测只依赖于该时刻的马尔可夫链的状态，与其他观测及状态无关。

隐形马尔科夫模型

隐马尔可夫模型用于标注问题，属于生成模型(学习状态序列与观测序列的联合分布)。 其过程如下：

马尔可夫链 ——> 生成多个随机不可观测的状态随机序列(状态序列) ——> 生成对应个可观测序列(观测序列)

由 初始概率分布(π) + 状态转移概率分布(A) + 观测概率分布(B) 决定，π，A，B称为隐马尔可夫模型的三要素 。

π，A 决定状态序列，B 决定观测序列。

可分为 3 个基本问题：a) 概率计算问题

b) 学习问题

c)预测问题

概率学习问题

给定模型 λ = (A,B,π)和观测序列 O，计算再模型 λ 下观测序列 O 的出现概率 P(O|λ) 。

主要有前向和后向算法。

学习问题

已知观测序列 O ，估计模型 λ = (A,B,π)参数，使得该模型下观测序列概率 P(O|λ) 最大，即用最大似然估计的方法估计参数。

主要是 监督学习算法(极大似然估计) 和 非监督学习算法(EM算法)。

预测问题

也称为解码问题，已知模型 λ = (A,B,π) 和观测序列 O，求对给定观测序列条件概率 P(O|λ) 最大的状态序列 I,即给定观测序列，求最有可能的对应的状态序列。

主要有近似算法(类似贪心，每时刻只选每时刻最有可能的序列)和维特比算法(动态规划求最优路径)