隠れマルコフモデルの確率を決める方法は何ですか？

Question

私は隠れマルコフモデルを学び始めています。そしてwikiページやgithubには多くの例がありますが、ほとんどの確率は既にそこにあります（雨の70％の変化、状態の変化の可能性の30％など）。 ）。スペルチェックや文例は、本を勉強してから単語の確率をランク付けするようです。

また、マルコフモデルには確率を計算する方法が含まれていますか、それとも事前計算する他のモデルを想定していますか？

申し訳ありませんが、この質問はオフです。私は、隠れマルコフモデルが確率的なシーケンスをどのように選択するのかを簡単に考えていますが、確率部分は私には少し灰色です（しばしば提供されるため）。例や任意の情報は素晴らしいでしょう。

マルコフモデルに精通していない方のため

---

は、ここにあなたがから、未知のパラメータを計算するアルゴリズムEM（期待値最大化）を探しているhttp://en.wikipedia.org/wiki/Viterbi_algorithm（ウィキペディアより）の例と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

です観察された配列のセット。おそらく最も一般的に使用されるアルゴリズムはBaum-Welchアルゴリズムであり、アルゴリズムはforward-backwardです。

ここでは、これまでに私がHMMをレビューするために使用したset of slidesを紹介します。これは、前方 - 後方、ビテルビ、およびバウム - ウェルチの素敵な概要を持っています