机器学习隐马尔科夫（HMM）理解与编码过程 学习笔记

隐马尔可夫

• 概念

  • • 可观察的状态序列、隐式状态序列、转移概率以及发射概率
    • HMM的主要解决问题是：
    • 给定模型参数与观测数据序列，在马尔可夫假设下推断最可能的状态路径；
    • 给定模型参数与观测数据序列，在马尔可夫假设下计算对应路径的概率；
    • 基于观测数据推断模型参数。

• 方法论

  • 维特比方法（Viterbi method）

  • 前向后向计算（Forward-backward computation）

  • 期望最大化方法（Expectation-maximization method）

  • • HMM参数估计概述
    • 鲍姆韦尔奇估计法[^6]

  • hmmlearn包[^2]

  • • samples
    • 模型说明[^8]
    • • 参数
      • 模型属性:
      • 函数

  • 参考链接

概念

为了更好地了解隐马尔可夫模型的基础知识，请先从基础概念入手阅读相关资料。知乎上的一些优质回答提供了深入浅出的讲解，这些额外的观点进一步加深了我的理解

举个栗子1

假设有三种不同的骰子，在概率论中最经典的案例就是投掷不同面数的多面体骰子。具体来说，在本研究中我们假设有三种不同的骰子：第一种是一个标准六面体（称其为D6），它共有六个均匀分布的