机器学习-概率图模型:隐马尔可夫模型(HMM)【解决序列问题】【前提假设:隐层状态序列符合马尔可夫性、观测序列的各观测值相互独立】【被RNN等神经网络模型取代】【生成模型:对联合概率建模】
2023-09-27 14:20:37 时间
一、概述
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,HMM是解决序列(时间序列、状态序列)问题的模型。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。
当然,随着目前深度学习的崛起,尤其是RNN,LSTM等神经网络序列模型的火热,HMM的地位有所下降。
但是作为一个经典的模型,学习HMM的模型和对应算法,对我们解决问题建模的能力提高以及算法思路的拓展还是很好的。
1、什么样的问题需要HMM模型
首先我们来看看什么样的问题解决可以用HMM模型。使用HMM模型时我们的问题一般有这两个特征:
- 我们的问题是基于序列的,比如时间序列,或者状态序列。
- 我们的问题中有两类数据,一类序列数据是可以观测到的,即观测序列;而另一类数据是不能观察到的,即隐藏状态序列,简称状态序列。
有了这两个特征,那么这个问题一般可以用HMM模型来尝试解决。
这样的问题在实际生活中是很多的。比如
相关文章
- 机器学习:基于PCA对人脸识别数据降维并建立KNN模型检验
- 一些关于机器学习和统计方面值得阅读的书籍
- 机器学习:维特比算法(Viterbi Algorithm)【场景:HMM模型中的解码问题(求给定观测序列的条件概率P(I|O,λ)最大时的隐藏状态序列)、“篱笆网络”最短/最大路径、分词】【动态规划】
- 机器学习-概率图模型:最大熵马尔可夫模型(MEMM)【解决序列问题】【前提假设:隐层状态序列符合马尔可夫性】【HMM--去除“观测状态相互独立”假设-->MEMM】【判别式模型】
- 机器学习-概率图模型:条件随机场(CRF)【前提假设:隐层状态序列符合马尔可夫性、枚举整个隐状态序列全部可能】【MEMM--枚举整个隐状态序列全部可能-->CRF】【判别模型:条件概率】
- 机器学习/Machine Learning:综述
- 人工智能-机器学习-算法-无监督学习:Contrastive Predictive Coding(对比预测编码)
- 你的机器学习模型为什么会出错?奉上四大原因解析及五条改进措施
- A.图机器学习(GML)&图神经网络(GNN)原理和代码实现(前置学习系列二)
- 机器学习笔记之线性回归数学推导
- Python3入门机器学习经典算法与应用 第3章 numpy 聚合操作
- Slack与ServiceNow联手,将在聊天应用中融入机器学习技术
- 斯坦福机器学习公开课学习笔记(1)—机器学习的动机与应用
- 项目二:使用机器学习(SVM)进行基因预测
- C#.NET开源项目、机器学习、Power BI (转载)
- “60后”沃尔玛的潮范儿:如何用机器学习技术提升客户体验?