สิ่งที่ซ่อนอยู่และสิ่งที่สังเกต
สิ่งที่ถูกซ่อนอยู่ในแบบจำลองของมาร์คอฟที่ซ่อนอยู่นั้นเหมือนกับสิ่งที่ซ่อนอยู่ในรูปแบบการผสมแบบไม่ต่อเนื่องดังนั้นเพื่อความชัดเจนลืมเรื่องพลวัตของรัฐที่ซ่อนอยู่และยึดติดกับตัวแบบ จำกัด แน่นอนเป็นตัวอย่าง 'สถานะ' ในรุ่นนี้คือตัวตนของส่วนประกอบที่ทำให้เกิดการสังเกตแต่ละครั้ง ในรูปแบบของคลาสนี้สาเหตุดังกล่าวไม่เคยถูกสังเกตดังนั้น 'สาเหตุที่ซ่อนอยู่' จึงถูกแปลเป็นสถิติโดยอ้างว่าข้อมูลที่ตรวจพบนั้นมีการพึ่งพาเล็กน้อยซึ่งถูกลบออกเมื่อทราบส่วนประกอบของแหล่งที่มา และส่วนประกอบของแหล่งข้อมูลก็ประมาณว่าอะไรก็ตามที่ทำให้ความสัมพันธ์ทางสถิติเป็นจริง
สิ่งที่ถูกซ่อนอยู่ในเครือข่ายประสาทหลายชั้นที่มีเส้นกลาง sigmoid คือสถานะของยูนิตเหล่านั้นไม่ใช่เอาต์พุตที่เป็นเป้าหมายของการอนุมาน เมื่อผลลัพธ์ของเครือข่ายคือการจำแนกประเภทเช่นการกระจายความน่าจะเป็นเหนือประเภทผลลัพธ์ที่เป็นไปได้ค่าหน่วยที่ซ่อนเหล่านี้จะกำหนดพื้นที่ภายในหมวดหมู่ที่สามารถแยกได้ เคล็ดลับในการเรียนรู้รูปแบบดังกล่าวคือการสร้างพื้นที่ที่ซ่อนอยู่ (โดยการปรับการแมปออกจากหน่วยอินพุต) ซึ่งปัญหานั้นเป็นเส้นตรง ดังนั้นขอบเขตการตัดสินใจที่ไม่ใช่เชิงเส้นจึงเป็นไปได้จากระบบโดยรวม
กำเนิดกับการเลือกปฏิบัติ
แบบจำลองการผสม (และ HMM) เป็นแบบจำลองของกระบวนการสร้างข้อมูลบางครั้งเรียกว่าโอกาสหรือ 'ตัวแบบการส่งต่อ' เมื่อรวมกับข้อสันนิษฐานบางอย่างเกี่ยวกับความน่าจะเป็นก่อนหน้าของแต่ละรัฐคุณสามารถอนุมานการกระจายตัวมากกว่าค่าที่เป็นไปได้ของสถานะที่ซ่อนอยู่โดยใช้ทฤษฎีบท Bayes (แนวทางกำเนิด) โปรดทราบว่าในขณะที่เรียกว่า 'ก่อนหน้า' ทั้งก่อนหน้าและพารามิเตอร์ในความเป็นไปได้นั้นมักจะเรียนรู้จากข้อมูล
ตรงกันข้ามกับแบบจำลองการผสม (และ HMM) เครือข่ายประสาทเทียมจะเรียนรู้การกระจายหลังผ่านหมวดหมู่ผลลัพธ์โดยตรง (วิธีการจำแนก) สิ่งนี้เป็นไปได้เนื่องจากค่าเอาต์พุตถูกตรวจพบระหว่างการประมาณ และเนื่องจากพวกเขาถูกพบมันไม่จำเป็นที่จะต้องสร้างการกระจายหลังจากแบบจำลองก่อนหน้าและแบบเฉพาะสำหรับโอกาสเช่นการผสม ด้านหลังเรียนรู้โดยตรงจากข้อมูลซึ่งมีประสิทธิภาพมากขึ้นและขึ้นอยู่กับรุ่นน้อย
มิกซ์แอนด์แมทช์
เพื่อให้เกิดความสับสนมากขึ้นวิธีการเหล่านี้สามารถผสมเข้าด้วยกันเช่นเมื่อบางครั้งมีการสังเกตสถานะของตัวแบบผสม (หรือ HMM) เมื่อนั้นเป็นจริงและในบางสถานการณ์ที่ไม่เกี่ยวข้องที่นี่ก็เป็นไปได้ที่จะฝึกการเลือกปฏิบัติในรูปแบบกำเนิด ในทำนองเดียวกันมันเป็นไปได้ที่จะแทนที่การทำแผนที่โมเดลผสมของ HMM ด้วยโมเดลการส่งต่อที่ยืดหยุ่นมากขึ้นเช่นเครือข่ายประสาท
คำถาม
ดังนั้นจึงไม่เป็นความจริงเลยที่ทั้งสองรุ่นทำนายสถานะซ่อนเร้น HMM สามารถใช้ในการทำนายสถานะที่ซ่อนอยู่แม้ว่าจะเป็นแบบที่คาดการณ์ไว้เท่านั้น โครงข่ายใยประสาทเทียมสามารถใช้ในการทำนายสถานะที่ยังไม่ได้สังเกตเช่นสถานะในอนาคตที่มีตัวพยากรณ์ รัฐประเภทนี้ไม่ได้ซ่อนอยู่ในหลักการ แต่ก็ยังไม่ได้รับการสังเกต
คุณจะใช้อันใดอันหนึ่งมากกว่าอันอื่น เครือข่ายประสาทเทียมสร้างแบบจำลองอนุกรมเวลาค่อนข้างอึดอัดใจในประสบการณ์ของฉัน พวกเขายังถือว่าคุณได้สังเกตเห็นผลลัพธ์ HMM ไม่ได้ แต่คุณไม่สามารถควบคุมได้ว่าสถานะที่ซ่อนอยู่คืออะไร อย่างไรก็ตามมันเป็นโมเดลอนุกรมเวลาที่เหมาะสม