专栏名称: 机器学习研究会

机器学习研究会是北京大学大数据与机器学习创新中心旗下的学生组织，旨在构建一个机器学习从事者交流的平台。除了及时分享领域资讯外，协会还会举办各种业界巨头/学术神牛讲座、学术大牛沙龙分享会、real data 创新竞赛等活动。

【学习】隐马尔科夫模型-前向算法

机器学习研究会 · 公众号 · AI · 2017-05-26 21:37

正文

请到「今天看啥」查看全文

这里为了演示简单，我只求解出俩天观察为(Dizzy,Cold)的概率是多少！

这个问题太好求解了，最暴力的方法就是将路径全部遍历一遍。下面尽可能通俗易懂的说明一下：
首先画出时间序列状态图如下：

下面，我详细走一遍一条路径的暴力算法，这样既可以避开公式的晦涩，也不失正确性。其它路径完全类似

第一天为Healthy的概率为：0.6

在第一天为Healthy的基础上，观察为Dizzy的概率为：P（Dizzy|Healthy）=0.6* P(Healthy->Dizzy)=0.6* 0.1=0.06

然后求出在第一天为Healthy的基础上，并且第一天表现为Dizzy的前提下，第二天也为Healthy的概率为：
P(Healthy|Healthy,Dizzy) = P(Dizzy|healthy)* 07 = 0.06* 0.7

上面求完的时候，代表下图中的红线已经转移完了。

好，那么当在前面基础上，第二天观察为Cold的概率为：
P(Cold|(Healthy,Dizzy),(Healthy)) = P(Healthy|Healthy,Dizzy)* 0.4 = 0.06* 0.7* 0.4
现在我们已经完成一条路径的完整结果了。

就是在第一天隐含状态为Healthy和第二天隐含状态为Healthy的基础上，观察序列为Dizzy，Cold的概率为
P（Dizzy,Cold|Healthy,Healthy） = 0.06* 0.7* 0.4=0.0168

那么同理，我们就可以求出其它三条路径。
（1）在第一天隐含状态为Healthy和第二天隐含状态为Fever的基础上，观察序列为Dizzy，Cold的概率
（2）在第一天隐含状态为Fever和第二天隐含状态为Healthy的基础上，观察序列为Dizzy，Cold的概率
（3）在第一天隐含状态为Fever和第二天隐含状态为Fever的基础上，观察序列为Dizzy，Cold的概率

然后最后的第一个问题的结果就是将这四个结果相加起来就可以了。是不是很简单，那么为了还需要前向后向算法来解决这个事呢？

其实这个算法在现实中是不可行的。我给的例子由于是为了讲解容易，状态值和观察值都很小，但是实际中的问题， 隐状态的个数是非常大的。