隐马尔可夫模型是哪种机器学习算法？

我在信号处理课程中使用了隐马尔可夫模型算法进行自动语音识别。现在遍历机器学习文献，我看到算法被分类为“分类”，“聚类”或“回归”。HMM属于哪个存储桶？我没有遇到文献中列出的隐藏马尔可夫模型。

我很想回答“无”或“分类和聚类”。

为什么“没有”？因为HMM与支持向量机或k均值不在同一个包中。

支持向量机或k均值是专门为解决问题而设计的（在第一种情况下为分类，在第二种情况下为聚类），并且实际上只是一种优化过程，可最大化“预期的分类优度”或“聚类的优度”标准。美在于标准的选择和优化程序。HMM本身不是算法。它们是向量序列上的一种特定概率分布-我们知道良好的参数估计和边际分布计算算法。但是，问他们是否属于“集群”或“分类”家族，与问高斯分布是监督学习还是无监督学习一样荒谬。

为什么要“分类和聚类”？由于以下原因：作为概率分布，HMM可用于贝叶斯框架中的分类；并且由于模型具有隐藏状态，因此可以从其参数中恢复训练数据的一些潜在聚类。更确切地说：

HMM可用于分类。这是贝叶斯分类框架的直接应用，HMM用作描述数据的概率模型。例如，您有一个大型的数字话语数据库（“一个”，“两个”等），并且想要构建一个能够对未知话语进行分类的系统。对于训练数据中的每个班级（“一个”，“两个”），您估计描述该班级训练序列的HMM模型的参数-最终得到10个模型。然后，要进行识别，请计算10个模型在HMM的Rabiner教程中，可能性得分（指示您希望识别的序列由模型生成的可能性），得分最高的模型将为您提供数字。，训练阶段为“问题3”，分类阶段为“问题2”。

$k$$\gamma$$k$$k$

首先，让我们看一下三个选项：

• 分类：标识数据属于一组预定义类中的哪个类。
• 聚类：学习数据所属的一组类。
• 回归：找到on变量与一个或多个其他变量之间的关系。

Wikipedia上的HMM描述如下表：

因此状态（类）的数量是固定的。

这意味着该算法不会尝试找出类的数量（状态），因此它不是开放式聚类（状态数量未知）。

但是，正如@nikie指出的那样，HMM将进行群集。

实际上并没有自变量（就像在回归上下文中一样）---所以它不是回归。

所以我的答案是HMM是分类和聚类算法，我不认为这是回归。