不考计算题
Q:概率图有几种结构? 条件独立性的公式?
- 顺序结构
- 发散结构
- 汇总结构
Q:隐马尔可夫模型理解?
概念
集合:状态集合、观测集合
序列:状态序列、观测序列
三要素:初始状态概率向量、状态转移概率矩阵
、观测概率矩阵
模型:
结合例题来说
状态集合:三个盒子对应三种状态,盒子1、盒子2、盒子3
观测集合:球的两种颜色对应两种观测情况,红球、白球
状态序列:未知
观测序列:红球、白球、红球
初始状态概率向量:最开始是盒子1的概率为0.2,
最开始是盒子2的概率为0.4,
最开始是盒子3的概率为0.4。
状态转移概率矩阵:从盒子1转移到盒子1的概率为0.5,
从盒子1转移到盒子2的概率为0.2,
从盒子1转移到盒子3的概率为0.3,
从盒子2转移到盒子1的概率为0.3,
从盒子2转移到盒子2的概率为0.5,
从盒子2转移到盒子3的概率为0.2,
从盒子3转移到盒子1的概率为0.2,
从盒子3转移到盒子2的概率为0.3,
从盒子3转移到盒子3的概率为0.5。
观测概率矩阵:在盒子1抽到红球的概率为0.5,
在盒子1抽到白球的概率为0.5,
在盒子2抽到红球的概率为0.4,
在盒子2抽到白球的概率为0.6,
在盒子3抽到红球的概率为0.7,
在盒子3抽到白球的概率为0.3。
和
决定了状态,即初始盒子和盒子之间怎么转移
决定了观测,即盒子会生成怎样的球
注意
观测状态只由当前的隐藏状态决定,与前一时刻的隐藏状态没有关系,就算隐藏状态与隐藏状态之间有关系,也不关他的事。
常见应用
自然语言处理
Q:一阶马尔可夫,二阶马尔可夫,高阶马尔可夫分别是什么?
- 一阶马尔可夫:系统下一状态的概率仅依赖于当前状态
- 二阶马尔可夫:系统的下一状态依赖于最近的两个状态
- 高阶马尔可夫:系统的下一状态依赖于当前状态以及之前多个状态
Q:马尔可夫、隐马尔可夫、马尔可夫链、一阶马尔可夫的关系?
- 隐马尔可夫通常被归类为一阶马尔可夫模型的一种扩展,因为它的隐藏状态遵循一阶马尔可夫性质,即当前隐藏状态只依赖于前一个隐藏状态
- 隐马尔可夫假设隐藏序列是一个马儿可夫链
Q:三个基本问题?
- 概率计算问题:定义,给定模型
和观测序列
,计算模型在
下观测序列
出现的概率
;算法,前向算法、后向算法。
- 学习问题:定义,已知观测序列
,估计模型
参数,使得在该模型下观测序列概率
最大,即用极大似然估计的方法估计参数;算法,Baum-Welch算法
- 预测问题:已知模型
和观测序列
,求对给定观测序列条件概率
最大的状态序列
。即给定观测序列,求最有可能的对应的状态序列.