Каковы способы определения вероятностей в скрытых марковских моделях?

Question

Я начинаю изучать скрытые модели марков и на вики-странице, а также на github есть много примеров, но большинство вероятностей уже есть (70% изменение дождя, 30% вероятность изменения состояния и т. Д. ..). Примеры проверки правописания или предложений, кажется, изучают книги и затем ранжируют вероятности слов.

Итак, модель Маркова включает способ определения вероятностей или мы предполагаем, что какая-то другая модель будет предварительно рассчитывать ее?

Извините, если этот вопрос выключен. Я думаю, это просто, как скрытая модель Маркова выбирает вероятные последовательности, но вероятностная часть для меня немного серая (потому что ее часто предоставляют). Примеры или любая информация были бы великолепны.

---

Для тех, кто не знаком с марковскими моделями, вот пример (из википедии) http://en.wikipedia.org/wiki/Viterbi_algorithm и http://en.wikipedia.org/wiki/Hidden_Markov_model

#!/usr/bin/env python

states = ('Rainy', 'Sunny')

observations = ('walk', 'shop', 'clean')

start_probability = {'Rainy': 0.6, 'Sunny': 0.4}

transition_probability = {
   'Rainy' : {'Rainy': 0.7, 'Sunny': 0.3},
   'Sunny' : {'Rainy': 0.4, 'Sunny': 0.6},
   }

emission_probability = {
   'Rainy' : {'walk': 0.1, 'shop': 0.4, 'clean': 0.5},
   'Sunny' : {'walk': 0.6, 'shop': 0.3, 'clean': 0.1},
   }

#application code
# Helps visualize the steps of Viterbi.
def print_dptable(V):
    print "    ",
    for i in range(len(V)): print "%7s" % ("%d" % i),
    print

    for y in V[0].keys():
        print "%.5s: " % y,
        for t in range(len(V)):
            print "%.7s" % ("%f" % V[t][y]),
        print

def viterbi(obs, states, start_p, trans_p, emit_p):
    V = [{}]
    path = {}

    # Initialize base cases (t == 0)
    for y in states:
        V[0][y] = start_p[y] * emit_p[y][obs[0]]
        path[y] = [y]

    # Run Viterbi for t > 0
    for t in range(1,len(obs)):
        V.append({})
        newpath = {}

        for y in states:
            (prob, state) = max([(V[t-1][y0] * trans_p[y0][y] * emit_p[y][obs[t]], y0) for y0 in states])
            V[t][y] = prob
            newpath[y] = path[state] + [y]

        # Don't need to remember the old paths
        path = newpath

    print_dptable(V)
    (prob, state) = max([(V[len(obs) - 1][y], y) for y in states])
    return (prob, path[state])



#start trigger
def example():
    return viterbi(observations,
                   states,
                   start_probability,
                   transition_probability,
                   emission_probability)
print example()

Answer 1

Вы ищете алгоритм EM (максимизация ожидания) для вычисления неизвестных параметров из наборов наблюдаемых последовательностей.Вероятно, наиболее часто используемым является алгоритм Baum-Welch , который использует алгоритм forward-backward .

Для справки, здесь представлен набор слайдов Я использовал ранее для обзора HMM.Имеет хороший обзор Форвард-назад, Витерби и Баум-Уэлча