Questions tagged «hidden-markov-model»

我正在寻找HMM和Baum-Welch的一些python实现（用纯python或包装现有的东西）。 有什么想法吗？ 我刚刚在Google中进行搜索，就其他机器学习技术而言，我发现材料确实很差。为什么？

11 python  hidden-markov-model 

在隐马尔可夫模型中为过渡概率指定某些初始值有什么好处？最终，系统将学习它们，那么赋予随机值以外的其他值又有什么意义呢？底层算法是否会像Baum-Welch这样有所作为？ 如果我从一开始就非常准确地知道了转移概率，并且我的主要目的是预测从隐藏状态到观测值的输出概率，那么您对我有什么建议？

11 machine-learning  expectation-maximization  hidden-markov-model 

马尔可夫链对我来说很有意义，我可以用它们来模拟现实生活中问题的概率状态变化。然后是HMM。据说HMM比MC更适合于建模许多问题。但是，人们提到的问题在理解方面有些复杂，例如语音处理。所以我的问题是，您能描述一个HMM比MC更适合的“真实而简单”的问题吗？并解释原因？谢谢

11 hidden-markov-model 

有人可以澄清隐马尔可夫模型与期望最大化的关系吗？我已经浏览了许多链接，但无法提出清晰的看法。 谢谢！

10 markov-process  expectation-maximization  hidden-markov-model 

我从事很多统计建模工作，例如隐马尔可夫模型和高斯混合模型。我看到在每种情况下训练好的模型都需要大量的数据（对于HMM来说> 20000句子），这些数据是从与最终使用类似的环境中获取的。我的问题是： 文献中是否有“足够的”训练数据的概念？多少训练数据“足够好”？ 如何计算要训练的“良好”（识别准确率高（> 80％）的模型）需要多少个句子？ 我如何知道模型是否经过正确训练？模型中的系数会开始出现随机波动吗？如果是这样，我该如何区分由于模型更新而引起的随机波动和实际变化？ 如果需要更多标签，请随时重新标记该问题。

10 modeling  hidden-markov-model  gaussian-mixture 

在这个受欢迎的问题中，高评价的答案使MLE和Baum Welch在HMM拟合中分开。 对于训练问题，我们可以使用以下3种算法：MLE（最大似然估计），Viterbi训练（不要与Viterbi解码混淆），Baum Welch =前向后向算法 但在维基百科中，它说 Baum-Welch算法使用众所周知的EM算法来找到参数的最大似然估计 那么，MLE和Baum-Welch算法之间是什么关系？ 我的尝试：Baum-Welch算法的目标是使可能性最大化，但它使用专用算法（EM）来解决优化问题。我们仍然可以通过使用其他方法（例如，梯度体面）来最大程度地提高似然度。这就是为什么答案将两个算法分开的原因。 我是对的，谁能帮我澄清一下？

10 hidden-markov-model  expectation-maximization 

问题：在隐式马尔可夫模型的合理实现下进行设置吗？ 我有一组108,000观察数据（在100天的时间内进行），并且2000在整个观察时间范围内大约都有事件发生。数据如下图所示，其中观察到的变量可以采用3个离散值，红色列突出显示事件时间，即：[ 1 ， 2 ，3 ][1个，2，3][1,2,3]ŤËŤËt_E 如图中红色矩形所示，我对每个事件都剖析了{到 }，将它们有效地视为“事件前窗口”。ŤËŤËt_EŤË− 5ŤË-5t_{E-5} HMM训练：我计划使用Pg上建议的多观察序列方法，基于所有“事前窗口” 训练隐马尔可夫模型（HMM）。Rabiner 论文 273 。希望这将使我能够训练HMM，以捕获导致事件的序列模式。 HMM预测：然后，我计划使用此HMM 预测 新一天的对，其中将是一个滑动窗口矢量，实时更新以包含当前时间至随着时间的推移。升Ò 克[ P（O b s e r v a t i o n s | H中号中号）]升ØG[P（ØbsË[Rv一个Ť一世Øñs|H中号中号）]log[P(Observations|HMM)]Øb 小号Ë - [R v 一个吨我ö Ñ 小号ØbsË[Rv一个Ť一世ØñsObservationsŤŤtŤ - 5Ť-5t-5 对于与“事前窗口”类似的，我希望看到增加。实际上，这应该使我能够在事件发生之前进行预测。升Ò 克[ P（O b s e r v …

9 time-series  machine-learning  predictive-models  markov-chain  hidden-markov-model 

接下来的嫁接摘自本文。我是新手，要引导并尝试为带有R boot包的线性混合模型实现参数，半参数和非参数自举。 R代码 这是我的R代码： library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) Out 问题 …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography