隐马尔可夫模型（一）概念

隐马尔可夫模型(HMM)

很多机器学习模型都有一个共同的假设：数据与数据之间是相互独立的，模型只关注当前数据的自变量与因变量之间的关系。
但是在现实生活中，会发现数据间的顺序对数据产生是有影响的。在学术上，具有这种特性的数据被称为序列数据。

隐马尔可夫模型(HMM) 则可以很好地观测这类数据，它是关于时序的概率模型，用有向图表示。

应用场景：在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。经过长期发展，尤其是在语音识别中的成功应用，使它成为一种通用的统计工具。

一、概念

马尔可夫性质：当一个随机过程在给定现在状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态，也就是说当前时刻的状态只与上一时刻的状态有关。

马尔可夫链 ：有马尔可夫性质且存在于离散的指数集和状态空间内的随机过程。

隐马尔科夫模型(HMM) 属于马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。

二、定义

隐马尔可夫模型(HMM) 可用五个元素描述，包括2个状态集合和3个概率矩阵：{ N, M, π，A，B }。一般的，可以用 λ=(A,B,π) 三元组来简洁的表示