【机器学习概率统计】19 概率估计：隐马尔科夫模型观测序列描述

最新推荐文章于 2022-02-11 11:58:33 发布
最新推荐文章于 2022-02-11 11:58:33 发布
阅读量1.4k 收藏 1
点赞数 2
分类专栏： 机器学习中的数学：概率统计 机器学习中的数学（全集） 文章标签： 隐马尔可夫模型 人工智能 机器学习 python 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43716250/article/details/109706617
版权
本文介绍了隐马尔科夫模型在概率估计中的应用，特别是在赌博故事背景下揭示了如何通过模型估计特定观测序列出现的概率。文章详细阐述了模型研究内容，包括观测序列概率估计和隐含状态序列解码，并提出了前向概率算法，通过实例和代码实践展示了如何计算观测序列概率。
摘要由CSDN通过智能技术生成

1.隐马尔科夫模型要研究什么

1.1.一个赌场的故事背景

在上一小节里，我们基本上把隐马尔科夫模型的运行机制和基本要素讲清楚了，那么他的关键研究要点是什么？或者说一般而言我们关注的研究问题聚焦在哪些方面呢？

我们不妨来看一个例子，这个例子可以更好的讲清楚我们为什么要研究这个模型，以及问题的关键点在哪。

这里我们举一个赌博的例子，大家应该都听说过用骰子猜大小的赌博游戏，掷出骰子，如果点数为 1 , 2 , 3 1,2,3 1

了解本专栏 订阅专栏 解锁全文 超级会员免费看
石 溪
关注
专栏目录
订阅专栏
【机器学习概率统计】20 状态解码：隐马尔科夫模型隐含状态揭秘
m0_52343631的博客
02-23 683
那么用形式化的语言来说就是已知模型 λ = ( A , B , π ) \lambda=(A,B,\pi) λ=(A,B,π)和观测序列 O = ( o 1 , o 2 , . . . , o T ) O=(o_1,o_2,...,o_T) O=(o1​,o2​,...,oT​)，求使得条件概率 P ( I ∣ O ) P(I|O) P(I∣O)最大的隐状态序列 I = ( i 1 , i 2 , . . . , i T ) I=(i_1,i_2,...,i_T) I=(i1​,i2​,...,iT​)。
第13讲 概率估计：隐马尔科夫模型观测序列描述
GitChat
08-23 221
统计概率模型-隐马尔可夫模型
myazi
09-13 1189
统计概率模型 1、高斯判别分析 2、朴素贝叶斯 3、隐马尔可夫模型 4、最大熵马尔科夫模型 5，条件随机场 6，马尔科夫决策过程 三、隐马尔可夫模型 一、隐马尔科夫模型定义 ​ 隐马尔科夫模型是一种时序的概率模型，描述由一个隐的马尔科夫链随机生成的不可观察的隐状态序列，在每一个隐状态下随机产生观察值构成一个可观测的随机序列。其中关键是状态序列是...
机器学习太难？那是你不懂学习方法 | 案例分享
Python大本营的博客
04-23 415
Python大本营连载栏目更新啦！本期，邀请到了清华大学硕士张雨萌老师。当下机器学习、人工智能领域吸引了许多技术人才投身其中，数学知识繁杂的理论与思想方法是大家在学习过程中的难点，这篇专栏...
序列的算法（一 b）隐马尔可夫模型
qq_44943626的博客
04-23 279
序列的算法（一 b）隐马尔可夫模型
概率论笔记：随机数、概率分布（正态分布）、中心极限定理（大数定理）
RToax
04-21 1612
1.概率均匀分布（C语言）#include <stdio.h> #include <stdlib.h> #include <time.h> int main( int argc, char **argv) { int i=0, v, mod, n; /* srand函数是随机数发生器的初始化函数 */ srand((unsigned) time(NU...
机器学习笔记3：隐马尔科夫模型HMM（一）简介及使用前向算法求观测序列的概率
zhuzuwei的博客
06-02 5418
1. 模型简介　隐马尔科夫模型（Hidden Markov Model，以下简称HMM）是比较经典的机器学习模型了，主要用于时序数据建模，它在语言识别，自然语言处理，模式识别等领域得到广泛的应用。（1）状态变量 {y1,y2, ... ,yn}，其中yi 属于 Y，表示第i个时刻的系统变量。        状态变量通常是隐藏的，不可被观测的，所以也称为隐变量。 设每个时刻可能有N种状态，取值范围是...
机器学习入门：隐马尔科夫模型-8
奔腾游子
12-28 2162
机器学习入门：隐马尔科夫模型 1、实验描述 本实验先简单介绍隐马尔科夫模型，然后提供一份股票交易的数据，通过建立隐马尔科夫模型对股票数据进行分析，并将最终结果用图的方式展示出来。 实验时长：45分钟 主要步骤： 读取数据文件 数据预处理 模型创建 模型的预测 模型评估 绘制相关的指标 2、实验环境 虚拟机数量：1 系统版本：CentOS 7.5 scikit-learn版本： 0.19.2 numpy版本：1.15.1 matplotlib版本：2.2.3 py
隐马尔科夫模型（HMM）：计算观测序列的出现概率
xunyishuai5020的博客
02-11 1381
a
李航老师《统计学习方法》第2版课件：第10章 隐马尔科夫模型.rar
最新发布
03-10
在第10章中，李航老师着重讲解了“隐马尔科夫模型”（Hidden Markov Model，简称HMM），这是一种在自然语言处理、语音识别、生物信息学等领域广泛应用的概率模型。 隐马尔科夫模型是一种处理随机过程的统计模型，它...
机器学习算法推导 第十四章 隐形马尔科夫模型1
08-04
隐形马尔科夫模型（Hidden Markov Model, HMM）是一种在许多领域广泛应用的概率模型，特别是在自然语言处理、语音识别和生物信息学中。它是一种动态模型，具有时间维度，能够描述系统随时间变化的状态序列，而这些...
【机器学习线性代数】01 构建空间：从向量和基底出发
热门推荐
机器学习数学基础系列专栏
11-15 1万+
1.向量基础概念回顾 1.1.向量的几何含义 向量对于大家而言一定不陌生，他的概念很简单，把数字排成一行或一列就是向量。他是描述空间的有力工具。 比如二维向量：[45]\begin{bmatrix} 4\\5 \end{bmatrix}[45​]，他有两个成分：第一个成分是444，第二个成分是555。一方面，我们可以把他理解成二维平面中xxx坐标为444，yyy坐标为555的一个点，也可以理解为以平面原点(0,0)(0,0)(0,0)为起点，到目标终点(4,5)(4,5)(4,5)的有向线段，如图1所示：
【机器学习概率统计】01 理论基石：条件概率、独立性与贝叶斯
机器学习数学基础系列专栏
11-16 1万+
1.从概率到条件概率 1.1.条件概率的发生背景 从这一节开始，我们就正式进入到概率统计的内容板块中了。 对于概率，相信大家都不会陌生，在各阶段的数学课上，他都是高频出现的常客，最简单的概率场景比如掷骰子，我问你：第一次掷出的点数为555的概率为多大？你会毫不犹豫的说出答案：16\frac{1}{6}61​。 这太简单了，如果我们只满足于此，就没有什么意义了。接下来我增加一个限定条件：已知在抛出骰子是奇数的情况下，抛掷点数为555的可能性有多大？ 发现了没有，在第二个问题中我们就没有直接的只问投掷出555这
【机器学习线性代数】03 再论矩阵：空间映射关系的描述
机器学习数学基础系列专栏
11-15 6881
1.利用矩阵表示空间映射 回顾上一讲中所讲的内容，在默认基底(e1,e2,...,en)(e_1,e_2,...,e_n)(e1​,e2​,...,en​)构成的RnR^nRn空间中，矩阵AAA与列向量xxx的乘法AxAxAx的本质就是变换向量的基底。将默认基底中的各基向量(e1,e2,...,en)(e_1,e_2,...,e_n)(e1​,e2​,...,en​)分别对应的变换为矩阵AAA的各列，由矩阵AAA的各列充当新的“基向量” ，再结合原向量的坐标，得到目标向量在目标空间中的新位置。 总结概况一下
【机器学习线性代数】02 初识矩阵：让向量动起来
机器学习数学基础系列专栏
11-15 6826
1.矩阵？一排向量，一堆数 介绍完了向量，这一节我们开始介绍矩阵。对于矩阵而言，最直观的描述就是一个m×nm\times nm×n大小的数字方阵，他可以看作是nnn个mmm维列向量从左到右并排摆放，也可以看成是mmm个nnn维行向量从上到下进行叠放。 我们举一个实际的例子：一个2×32\times 32×3的矩阵A=[1230.4−42]A=\begin{bmatrix} 1 & 2 & 3 \\ 0.4 & -4 & 2 \end{bmatrix}A=[10.4​2−4​3
数学——你与机器学习之间的距离
机器学习数学基础系列专栏
10-28 6025
机器学习里，数学为什么很重要？ 做机器学习数学基础系列专栏和大家一起共同交流学习，是我们准备了很久的一个计划。因为在当下，机器学习、人工智能领域吸引了许多同学投身其中，其中包含了大量非科班出身或者从其他行业切换赛道转行而来的朋友们，大家在学习的过程中发现学习曲线陡峭、难度较大，普遍的心声就是：机器学习难，首要就是数学知识需要的太多了！ 的确如此，机器学习是一个综合性强、知识栈长的学科，需要大量的前...
【机器学习概率统计】03 离散型随机变量：分布与数字特征
机器学习数学基础系列专栏
11-16 5978
1.从事件到随机变量 在前面两节内容中，我们介绍了事件概率的一些基本概念，给大家找了找概率的“感觉”，对于“试验”、“试验结果”、“事件发生的概率”等等重要概念有了直观的认识，那么我们进一步来讨论一个新的概念： 我们可以把某一次具体试验中所有可能出现的结果构成一个样本空间，对于样本空间中的每一个可能的试验结果，我们去将他关联到一个特定的数。这种试验结果与数的对应关系就形成了随机变量，我们将试验结果所对应的数称为随机变量的取值。这里就是我们接下来要讨论的重要内容。 请注意这个概念中的一个关键点，随机变量如何取
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

石 溪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值