ประโยชน์ของการให้ค่าเริ่มต้นกับการเปลี่ยนแปลงความน่าจะเป็นใน Hidden Markov Model มีอะไรบ้าง ในที่สุดระบบจะเรียนรู้พวกเขาดังนั้นอะไรคือจุดที่ให้คุณค่าอื่น ๆ นอกเหนือจากการสุ่ม? อัลกอริทึมพื้นฐานสร้างความแตกต่างเช่น Baum – Welch หรือไม่?
ถ้าฉันรู้ว่าความน่าจะเป็นในการเปลี่ยนแปลงในตอนเริ่มต้นนั้นถูกต้องมากและจุดประสงค์หลักของฉันคือการทำนายความน่าจะเป็นของผลลัพธ์จากสถานะที่ซ่อนอยู่ไปจนถึงการสังเกตคุณจะแนะนำฉันอย่างไร
คำตอบ:
Baum-Welch เป็นอัลกอริทึมการเพิ่มประสิทธิภาพสำหรับการคำนวณตัวประมาณค่าความน่าจะเป็นสูงสุด สำหรับโมเดลมาร์คอฟที่ซ่อนอยู่พื้นผิวที่เป็นไปได้นั้นอาจดูน่าเกลียดและมันก็ไม่เว้า ด้วยจุดเริ่มต้นที่ดีอัลกอริทึมอาจมาบรรจบกันได้เร็วขึ้นและเข้าหา MLE
หากคุณทราบความน่าจะเป็นในการเปลี่ยนแปลงและต้องการทำนายสถานะที่ซ่อนอยู่โดยอัลกอริทึม Viterbi คุณจำเป็นต้องมีความน่าจะเป็นในการเปลี่ยนแปลง หากคุณรู้จักพวกเขาแล้วไม่จำเป็นต้องประเมินพวกเขาอีกครั้งโดยใช้ Baum-Welch การประมาณใหม่นั้นมีราคาแพงกว่าการทำนาย
มีการมอบวัสดุบางส่วนที่เกี่ยวข้องกับการประมาณการเบื้องต้นของ HMM
คุณยังสามารถดูชุดเครื่องมือสร้างแบบจำลอง Probabilistic สำหรับ Matlab / Octaveโดยเฉพาะฟังก์ชั่นhmmFitEmซึ่งคุณสามารถระบุพารามิเตอร์เริ่มต้นของรุ่นของคุณเองหรือเพียงแค่ใช้ (ตัวเลือก 'nrandomRestarts') ในขณะที่ใช้ 'nrandomRestarts' รุ่นแรก (ที่ขั้นตอน init) จะใช้:
รุ่นที่สองรุ่นที่สาม ... (ที่ขั้นตอนเริ่มต้น) ใช้พารามิเตอร์ที่เริ่มต้นแบบสุ่มและเนื่องจากผลลัพธ์มาบรรจบกันช้ากว่าโดยมีค่าความน่าจะเป็นบันทึกที่ต่ำกว่าส่วนใหญ่