숨겨진 마코프 모델의 확률을 결정하는 방법은 무엇입니까?

Question

숨겨진 마코프 모델을 배우기 시작하고 wiki 페이지뿐만 아니라 github에도 예제가 많이 있지만 대부분의 확률은 이미 있습니다 (비 70 %, 상태 변경 가능성 30 % 등).). 맞춤법 검사 또는 문장 예제는 책을 연구하고 단어의 확률을 랭킹하는 것처럼 보입니다.

그래서 마코프 모델에는 확률을 계산하는 방법이 포함되어 있습니까? 아니면 사전 계산을위한 다른 다른 모델을 생각하고 있습니까?

죄송합니다.이 질문은 꺼져 있습니다. 나는 숨겨진 마르코프 모델이 가능한 시퀀스를 선택하는 방법을 간단하게 생각하지만, 확률 부분은 나에게 조금 회색이다 (종종 제공되기 때문에). 예 또는 어떤 정보가 좋을 것입니다.

마르코프 모델에 익숙하지 않은 사람들을 위해

---

, 여기 당신의 알 수없는 매개 변수를 계산하는 알고리즘 전각 (기대 극대화)를 찾고 http://en.wikipedia.org/wiki/Viterbi_algorithm (위키 백과에서) 예와 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

입니다 관찰 된 서열 세트. 가장 일반적으로 사용되는 알고리즘은 Baum-Welch 알고리즘이며 forward-backward 알고리즘을 사용합니다.

참조를 위해 이전에 HMM을 검토하는 데 사용한 set of slides입니다. 전방 - 후진, 비터 비 및 바움 - 웰치에 대한 개요가 있습니다.