Quelle est la différence entre les modèles de chaîne markov et le modèle markov caché? J'ai lu dans Wikipedia, mais je ne pouvais pas comprendre les différences.Quelle est la différence entre les chaînes markov et le modèle markov caché?
Répondre
Pour expliquer par l'exemple, je vais utiliser un exemple du traitement du langage naturel. Imaginez que vous voulez connaître la probabilité de cette phrase:
Amateur de café
Dans un modèle de Markov, on peut estimer sa probabilité en calculant:
P(WORD = I) x P(WORD = enjoy | PREVIOUS_WORD = I) x P(word = coffee| PREVIOUS_WORD = enjoy)
Maintenant, imaginez que nous voulions connaître les parties des parties du discours de cette phrase, c'est-à-dire si un mot est un verbe au passé, un nom, etc.
Nous n'avons pas observer aucuns-of-sp étiquettes Eech dans cette phrase, mais nous supposons ils sont là. Ainsi, nous calculons quelle est la probabilité de la séquence de balises parties-de-discours. Dans notre cas, la séquence réelle est:
PRP-VBP-NN
Mais attendez! C'est une séquence à laquelle on peut appliquer un modèle de Markov. Mais nous l'appelons caché, puisque la séquence des parties du discours n'est jamais directement observée. Bien sûr en pratique, nous allons calculer beaucoup de telles séquences et nous aimerions trouver la séquence cachée qui explique le mieux notre observation (par exemple, nous sommes plus susceptibles de voir des mots tels que 'le', 'ceci', généré par le déterminant (DET) tag)
La meilleure explication que j'ai jamais rencontré est dans un document de 1989 par Lawrence R. Rabiner: http://www.cs.ubc.ca/~murphyk/Bayes/rabiner.pdf
Un modèle de Markov caché est un processus stochastique intégré à deux niveaux.
Le niveau supérieur est un processus de Markov et les états ne sont pas observables. En fait, l'observation est une fonction probabiliste des états de Markov de niveau supérieur.
Différents états de Markov auront différentes fonctions probabilistes d'observation.
Le modèle de Markov est une machine d'état avec les changements d'état étant des probabilités. Dans un modèle de Markov caché, vous ne connaissez pas les probabilités, mais vous connaissez les résultats. Par exemple, lorsque vous lancez une pièce de monnaie, vous pouvez obtenir les probabilités, mais si vous ne pouviez pas voir les flips et que quelqu'un bougeait un des cinq doigts à chaque fois, vous pouviez prendre les mouvements des doigts et utiliser un modèle de Markov caché pour obtenir la meilleure estimation des retournements de pièces.
depuis Satiné balises parties-de-speech comme un exemple de HMM, je pourrais ajouter un plus d'exemple: Reconnaissance vocale. Presque tous les systèmes de reconnaissance vocale continue à grand vocabulaire (LVCSR) sont basés sur des HMM.
"exemple de Matt": Amateur de café
Dans un modèle de Markov, vous pouvez estimer sa probabilité en calculant:
P(WORD = I) x P(WORD = enjoy | PREVIOUS_WORD = I) x P(word = coffee| PREVIOUS_WORD = enjoy)
Dans un modèle de Markov caché,
Disons que 30 personnes différentes lisent la phrase "I Appréciez les câlins " et nous devons le reconnaître. Chaque personne prononcera cette phrase différemment. Donc, nous ne savons pas si la personne voulait dire "étreindre" ou "monopoliser". Nous n'aurons que la distribution probabiliste du mot actuel. En résumé, un modèle de Markov caché est un modèle de Markov statistique dans lequel le système modélisé est supposé être un processus de Markov avec des états (cachés) non observés.
- 1. seuillage du modèle markov caché
- 2. Modèle de Markov caché multivarié
- 3. Markov Chaînes et probabilité d'équilibre
- 4. Entraînement Modèle de Markov caché en R
- 5. Modèle de Markov caché pour les dés à trois côtés
- 6. Modèle de Markov caché prédisant la prochaine observation
- 7. Création d'une matrice d'émission pour le modèle de Markov caché
- 8. Matlab Semi Markov modèle
- 9. chaînes de Markov en R
- 10. Modèles de traçage bayésien individualisés. Modèle markov caché
- 11. Reconnaissance gestuelle continue à l'aide du modèle de Markov caché
- 12. Prédiction des données du modèle de Markov caché de Matlab
- 13. Modèle de Markov caché Valeurs d'observation multiples pour chaque état
- 14. Modèle de Markov caché pour une série chronologique
- 15. Modèle de Markov caché - HMM avec Apache Spark
- 16. comment accélérer le modèle PyMC markov?
- 17. Confusion concernant le modèle de Markov caché et les champs aléatoires conditionnels
- 18. Quel est l'équivalent d'un modèle de Markov caché dans la boîte à outils WEKA?
- 19. Markov Clustering
- 20. startProbabilité dans les modèles markov cachés
- 21. Pourquoi est-ce que nous itérons lors de la formation d'un modèle de Markov caché?
- 22. Entrée pour le programme de reconnaissance vocale basé sur le modèle Markov caché
- 23. Reconnaissance de mouvement de la main en utilisant le modèle de Markov caché
- 24. Probabilité d'émission du modèle de Markov caché La covariance est une matrice d'identité?
- 25. Étapes de temps variables dans les observations introduites dans le modèle markov caché
- 26. Effet du nombre d'États dans un classificateur modèle de Markov caché
- 27. modèle de Markov en Python Statsmodels
- 28. Est-ce que la programmation fonctionnelle et les chaînes de Markov sont liées?
- 29. plusieurs transitions du modèle de Markov
- 30. Mise en œuvre du modèle Markov Flink
Vous devriez considérer la réponse avec le plus grand nombre de votes ci-dessous. – Ron