Questions tagged «markov-process»

我正在寻找资源（教程，教科书，网络广播等）来了解Markov Chain和HMM。我的背景是生物学家，目前正在从事与生物信息学有关的项目。 另外，我需要对Markov模型和HMM有足够了解的必要数学背景是什么？ 我一直在寻找使用Google的方法，但是到目前为止，我还没有找到一个很好的入门教程。我敢肯定，这里的人知道得更多。

57 references  markov-process  hidden-markov-model  bioinformatics 

我知道，这听起来像是题外话，但请听我说。 在Stack Overflow上，我们在这里对文章进行投票，所有信息都以表格形式存储。 例如： 帖子ID投票者ID投票类型日期时间 ------- -------- --------- -------- 10 1 2 2000-1-1 10:00:01 11 3 3 2000-1-1 10:00:01 10 5 2 2000-1-1 10:00:01 ... 等等。投票类型2是反对，投票类型3是反对。您可以在http://data.stackexchange.com上查询此数据的匿名版本。 有一种看法认为，如果帖子的得分达到-1或更低，则更有可能被推荐。这可能仅仅是确认偏差，也可能是根源。 我们将如何分析这些数据以确认或否认这一假设？我们将如何衡量这种偏见的影响？

51 time-series  hypothesis-testing  data-mining  markov-process  censoring 

我只是想弄清楚统计数字，所以对不起这个问题，我感到抱歉。我已经使用马尔可夫模型来预测隐藏状态（不正当赌场，掷骰子等）和神经网络来研究用户在搜索引擎上的点击。两者都有隐藏状态，我们试图使用观察来弄清楚。 据我了解，它们都可以预测隐藏状态，所以我想知道何时在神经网络上使用马尔可夫模型？它们只是解决类似问题的不同方法吗？ （我对学习感兴趣，但是我也有另一个动机，我有一个问题，我正在尝试使用隐藏的马尔可夫模型来解决，但是这使我大吃一惊，所以我很想知道是否可以改用其他东西。）

40 data-mining  algorithms  neural-networks  markov-process 

R（内置函数）中是否有一种方法可以根据一组观测值计算马尔可夫链的转移矩阵？ 例如，采用如下数据集并计算一阶转换矩阵？ dat<-data.frame(replicate(20,sample(c("A", "B", "C","D"), size = 100, replace=TRUE)))

29 r  markov-process 

贝叶斯网络和马尔可夫过程有什么区别？ 我相信我理解两者的原理，但是现在当我需要比较两者时，我感到迷失了。它们对我的意义几乎相同。当然不是。 还可以链接到其他资源。

28 bayesian  references  modeling  markov-process  bayesian-network 

我需要生成带有行和列的随机非平方矩阵，这些元素的均值= 0随机分布，并且受约束，使得每行的长度（L2范数）为，每列的长度为。等效地，每行的平方和为1，每列的。Ç 1 √RRRCCC111 [R[RC--√RC\sqrt{\frac{R}{C}}[RCRC\frac{R}{C} 到目前为止，我已经找到一种实现此目的的方法：简单地随机初始化矩阵元素（例如，从均值为零且具有任意方差的均匀分布，正态分布或拉普拉斯分布），然后将行和列交替归一化为，以行规范化结束。这似乎可以相当快地收敛到所需的结果（例如，对于和，列长度的变异通常在次迭代后），但是我不确定是否可以依靠这种快速收敛速度通常（针对各种矩阵尺寸和初始元素分布）。- [R = 40 Ç = 80 0.00001 2升Ë Ñ 克吨ħ =1length=1{\rm length} = 1R = 40R=40R=40C= 80C=80C=80 0.00001 0.00001~0.00001222 我的问题是：是否有一种方法可以直接获得所需的结果（，，而无需在行/列归一化？例如，类似用于对随机向量进行归一化的算法（随机初始化元素，测量平方值的总和，然后按通用标量缩放每个元素）。如果不是，是否存在上述迭代方法的收敛速度（例如，迭代次数直到错误）的简单表征？c o l u m n l e n g t h s = √row lengths=1row lengths=1{\rm row \ lengths} = 1 <ϵcolumn lengths=RC−−√column lengths=RC{\rm …

25 random-generation  normalization  markov-process  random-matrix 

我只想请某人确认我的理解或是否缺少任何东西。 Markov流程的定义是，下一步仅取决于当前状态，而没有过去的状态。因此，假设我们的状态空间为a，b，c，d，并且从a-> b-> c-> d开始。这意味着向d的过渡只能取决于我们在c中。 但是，确实可以使模型变得更复杂并且可以“克服”此限制吗？换句话说，如果您的状态空间现在是aa，ab，ac，ad，ba，bb，bc，bd，ca，cb，cc，cd，da，db，dc，dd，则意味着您的新状态空间变为先前状态与当前状态的组合，那么上述转换将是* a-> ab-> bc-> cd，因此到cd的转换（在先前模型中与d等效）现在取决于状态，如果建模不同，则为先前状态（以下将其称为子状态）。 我是否正确，可以使它“取决于先前的状态（子状态）”（我从技术上讲，由于新的子状态不再是真实状态，因此它在新模型中不存在）通过扩展来维持markov属性像我一样的状态空间？因此，实际上可以创建一个可依赖于任何数量的先前子状态的马尔可夫过程。

22 markov-process 

基于我对MCMC（马尔可夫链蒙特卡洛）方法的了解很少，我知道采样是上述技术的关键部分。最常用的采样方法是哈密顿和大都会。 有没有一种方法可以利用机器学习甚至深度学习来构建更有效的MCMC采样器？

21 machine-learning  mcmc  monte-carlo  markov-process 

我读了很多隐藏的马尔可夫模型，并且自己能够编写一个相当基本的版本。 但是我似乎有两种主要学习方法。一种是将其读取并实现为代码（已完成），第二种是了解其在不同情况下的应用方式（因此，我可以更好地了解它与我可能正在处理的问题的关系）。到目前为止，我所做的所有示例都涉及某种DNA预测或抛硬币。 我想知道是否有任何资源可以解决其他马尔可夫问题（语言无关紧要，但希望能提供答案，这样我才能知道我是对还是错）？

21 algorithms  markov-process 

执行主成分分析（PCA）之后，我想将一个新向量投影到PCA空间上（即在PCA坐标系中找到其坐标）。 我已经使用R计算了R语言的PCA prcomp。现在，我应该可以将向量乘以PCA旋转矩阵。该矩阵中的主要成分应该按行还是按列排列？

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

我在问关于马尔可夫链的问题，最后两部分是这样说的： 这个马尔可夫链是否具有极限分布。如果您的回答是“是”，请找到极限分布。如果您的回答为“否”，请说明原因。 这个马尔可夫链是否具有平稳分布。如果您的回答是“是”，请找到平稳分布。如果您的回答为“否”，请说明原因。 有什么区别？早些时候，我认为限制分布是在使用求解时得出的，但这是第步转换矩阵。他们使用\ Pi = \ Pi P计算极限分布，我认为这是平稳分布。 ñΠ=ΠPP=CAnC−1P=CAnC−1P = CA^n C^{-1}nnnΠ=ΠPΠ=ΠP\Pi = \Pi P 那是哪一个呢？

21 markov-process 

我看了很多教程视频，它们看起来一样。例如：https : //www.youtube.com/watch?v=ip4iSMRW5X4 他们解释好的状态，动作和概率。该人很好地解释了这一点，但我似乎无法掌握它在现实生活中的用途。到目前为止，我还没有遇到任何列表。我看到的最常见的是国际象棋。 可以用来预测事物吗？如果是这样，什么类型的东西？是否可以在无限量的数据中找到模式？该算法可以为我做些什么。 奖励：感觉MDP就是要从一种状态过渡到另一种状态，这是真的吗？

20 markov-process 

我怀疑观察到的一系列序列是马尔可夫链... X=⎛⎝⎜⎜⎜⎜AB⋮BCA⋮CDA⋮ADC⋮DBA⋮AAD⋮BCA⋮E⎞⎠⎟⎟⎟⎟X=(ACDDBACBAACADA⋮⋮⋮⋮⋮⋮⋮BCADABE)X=\left(\begin{array}{c c c c c c c} A& C& D&D & B & A &C\\ B& A& A&C & A&D &A\\ \vdots&\vdots&\vdots&\vdots&\vdots&\vdots&\vdots\\ B& C& A&D & A & B & E\\ \end{array}\right) 但是，如何检查它们是否确实尊重的无记忆属性P(Xi=xi|Xj=xj)?P(Xi=xi|Xj=xj)?P(X_i=x_i|X_j=x_j)? 或者至少证明他们本质上是马尔可夫？注意，这些是根据经验观察到的序列。有什么想法吗？ 编辑 只是补充，目的是从观察到的序列中比较预测的序列集。因此，我们希望您能对如何最好地进行比较提出意见。 一阶转换矩阵Mij=xij∑mxikMij=xij∑mxikM_{ij}=\displaystyle \frac{x_ij}{\sum^mx_{ik}}，其中m = A..E状态 M=⎛⎝⎜⎜⎜⎜⎜⎜0.18340.46970.18270.23780.24580.30770.11360.24040.18180.17880.07690.00760.22120.06290.11730.14790.25000.19230.33570.17880.28400.15910.16350.18180.2793⎞⎠⎟⎟⎟⎟⎟⎟M=(0.18340.30770.07690.14790.28400.46970.11360.00760.25000.15910.18270.24040.22120.19230.16350.23780.18180.06290.33570.18180.24580.17880.11730.17880.2793) M=\left(\begin{array}{c c c c c c c} 0.1834& …

17 markov-process 

我对算法的理解如下： 没有掉头采样器（NUTS）是哈密顿蒙特卡罗方法。这意味着它不是马尔可夫链方法，因此该算法避免了通常被认为效率低且收敛缓慢的随机游走部分。 NUTS不会执行随机游走，而是执行长度为x的跳跃。随着算法继续运行，每次跳转都会加倍。这会一直发生，直到轨迹到达要返回起点的点为止。 我的问题：掉头有什么特别之处？如何将轨迹加倍不会跳过优化点？我的上述描述正确吗？

17 bayesian  monte-carlo  markov-process 

有人能以直观的方式向我解释马尔可夫链的周期性是什么吗？ 定义如下： 对于iii在S的所有州SSS didid_i = GCD{n∈N|p(n)ii>0}=1{n∈N|pii(n)>0}=1\{n \in \mathbb{N} | p_{ii}^{(n)} > 0\} =1 感谢你的付出！

17 stochastic-processes  markov-process