深入浅出談隐马尔可夫的概念（1/ 2）

本文主要是介绍深入浅出談隐马尔可夫的概念（1/ 2），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

一、说明
二、Markov Chain
三、Introduction
四、State Sequence
五、Comment
六、介绍隐藏式马可夫法则。
七、隐藏马尔可夫Introduction
八、结论

一、说明

在许多机器学习的章节中，常常遇见 HMM ，往往看到它的数学式子后，就当没看到似的跳过去了，其实它的基础理论并不难，尤其是 Markov Chain 在高中数学课本就已经出现过了，但…那么久远的事，相信大家都忘得差不多了，现在一起来回顾一下吧!!

二、Markov Chain

在状态空间中，了解当前的状态与下一个状态发生的随机过程。
（疴…有讲等于没讲，来看一下 Key point 吧！ )

Key point：
如左下图，现有三间大型卖场在AIA附近，分别是Costco、爱买、大润发，已知顾客今日在各个卖场间流动的固定几率（invariant），亦即图上的数字，值得注意的是，从每间卖场画出去箭头上的数字相加起来为1 （ex： Costco 0.7+0.2+1 = 1）。接着来看一下范例吧…
在这里插入图片描述

今天刚来AIA报到的学员圆仔，看到卖场广告后，会到三间卖场的机率分别为0.5、0.1、0.4，那么上课第三天圆仔会到Costco逛的机率是多少？（解法如下）

在这里插入图片描述

三、Introduction

透过上述例子可以知道，当前的状态跟上一个状态有关，是不是有些感觉了咧？接下来，就跟着一起走进数学的世界吧!!!

符号介绍：
•假设有 N 个状态，分别标示为 s₁， s₂， …， s_N
•假设从当前状态 si 变成 sj 的机率为 aij，可表示成转移矩阵（Transition Matrix） A，如下…
在这里插入图片描述

•我们纪录第 t 秒的状态在第 i 个状态为 qt = i
•起始时间选定某个状态 si 的机率为 πi ，又可标为 P（q₀ = j）

四、State Sequence

一开始我们会选定一个起状态，然后每过一个单位时间，就会选择走过某一条与当下状态相关的边，到达下一个状态，经过 T 秒后，我们就会得到一条有 T 条边、 T+1 个状态的有序路径（亦称之，state sequence)。
在这里插入图片描述

如果上述说的实在抽象，我们用3个状态、5个时间单位说明吧！如左图和表格，我们经过5个时间点，会得到6个状态的一条路径，因此我们可以算得形成这条路径的机率是多少？

机率 = π₁ a₁₃ a₃₂ a₂₂ a₂₁ a₁₃

上述的例子，应该可以让大家比较有深刻的感触吧！不免俗的，还是用数学式子写一下…在有 T 个时间单位下…我们会得到 state sequence Q
在这里插入图片描述

最后，可以得到 Q 的机率为

在这里插入图片描述

五、Comment

在固定状态转换（invariant）的机率下，一切如上述，似乎单纯，如果我们再加入一些变动因素，举两个常见的例子来看看啦！

（1）学员圆仔每日到卖场的机率，会加入他当日出差路线而有异动，即是与时间相关的非固定状态（time variant）啦！其实也没那么复杂，底下的图，让你秒懂这一切。
在这里插入图片描述

（2）学员圆仔每日到某卖场的机率，会受到前一日或是前两日去过哪间卖场的影响，前者称为 first-order，后者称为 second-order，听起来很难，其实也没什么，图画出来就知道简单了。

在这里插入图片描述

这些东西到底哪时候才会用到呢？只要有时间关系的，例如，RNN、NLP、RL，都可以用 Markov chain 的变化形态来解释喔！

下一章 Hidden Markov Model_part2 会带大家认识闻风丧胆的「Hidden Markov Model」，敬请期待吧!!

六、介绍隐藏式马可夫法则。

Key point：
我们用 part 1 的例子做延伸，如下图，每天都有一定的机率到某间卖场里购物，同时也会有某个机率在该间卖场买瓶饮料。

在这里插入图片描述
在起始机率分别为0.5、0.1、0.4下，圆仔三天来逛卖场的顺序为Q（爱买，Costco，大润发），每到一间卖场他都会买一瓶饮料，三天来分别买了O（雪碧，可乐，绿茶），请问发生Q和O的共同机率为多少呢？

现在换个问题来想想，如果已知连续三天到卖场买的饮料依序为O（红茶，雪碧，绿茶），请问有几种可能路线呢？每条路线分别发生的机率又有多少呢？
在这里插入图片描述

七、隐藏马尔可夫Introduction

第二个例子说明了，当只知观察值，而状态被隐藏的时候，如何找出「最佳的路径」。但是，既然是 model 一定是需要训练的，到底什么东西是需要被训练的呢？
在实际遇到的问题中，我们并不会知道「机率转移矩阵」实际的机率是多少，换句话说，我们不知道上述所指的「转移矩阵 A」和「转移矩阵 B」，只会有一堆数据。
在此，我们用已知的转移矩阵条件下，举一个实际的分类问题，熊猫团团、圆圆、圆仔，半年来，每周买饮料（观察值）的依序清单，至于可能的路线，及多少机率会买到对应的饮料，皆是未知，根据个别的买卖习惯分析，训练对应的模型，找出对应的「转移矩阵」，最后我们要预测，当随便给一周的饮料的清单，最有可能是哪只熊猫的喜好。

在这里插入图片描述
（上图为 HMM，其中一种方法，目的试算出在指定事件的发生状态下，算出此事件发生的最大机率之路径）