机器学习（四）——概率图模型（贝叶斯网和马尔科夫网）

                                                                                               隐马尔科夫模型

马尔科夫模型是一种无向概率图模型。

概率图模型：用图来表达变量相关关系的概率模型，由节点和边构成。分为有向图模型或贝叶斯网（变量间有西安市的因果关系）。

隐马尔科夫模型（Hidden Markov Model, HMM）是结构最简单的动态贝叶斯网

状态变量：离散空间，观测变量：可以离散可以连续。在任一时刻，观测变量的取值仅依赖于转状态变量，即Xt由Yt确定，与其它状态变量及观测变量的取值无关。Yt仅依赖与Yt-1。在隐马尔可夫模型中，状态是不直接可见的，但输出依赖于该状态下，是可见的。每个状态通过可能的输出记号有了可能的概率分布

马尔科夫链：系统下一时刻的状态仅由当前状态决定，不依赖于以往的任何状态。马尔科夫链实际以损失一定全局信息的基础上换来了更饱满的数据。

P(Xn+1=x∣X0,X1,X2,…，