机器学习笔记：隐马尔科夫模型（HMM）

一、基本定义

隐式马尔可夫模型（HMM）是一种适用于解决标注任务的统计学习方法或工具，在该方法下通过隐藏的状态序列来解释观测数据，并能够系统地推导出与观测数据相关的潜在状态信息。它基于隐藏状态机的概率分布机制来建模观测数据的变化过程，并能有效地处理时序数据中的不确定性问题。该方法的核心特征是其能够将复杂的动态过程分解为一系列简单的条件概率关系，并通过动态规划算法实现高效的最优路径求解，在自然语言处理、语音识别等领域有广泛应用。

马尔可夫性质：无后效性 。具体来说就是当前状态仅受到上一个时间点的状态影响。

状态变量：由隐式马尔科夫链随机生成的一系列状态变量
观测结果：每个状态会生成一个观测结果，从而形成的一个随机观测结果序列

隐马尔科夫模型取决于其初始概率分布、状态转移概率分布以及观测的概率分布等要素。即基于初始状态概率向量Π、状态转移的概率矩阵A以及观测的概率矩阵B等参数构建而成的模型。因此隐马尔科夫模型可以表示为λ=(A,B,Π)，其中λ代表隐马尔科夫模型

如何理解隐马尔科夫模型 ：

比如，在举个例子时，请注意观察以下内容：我的女朋友目前在北京工作着呢！而我在英国读书呢！每当每天下班之后的时候，请注意观察以下内容：她会根据天气情况会有相应的活动安排：可能是去商场购物也可能是去公园散步甚至可能是在家整理房间。我们有时候会进行交流沟通：她会告诉