機器學習最重要的任務,是根據一些已觀察到的證據(例如訓練樣本)來對感興趣的未知變數(例如類別標記)進行估計和推測。概率模型提供了一種描述框架,將學習任務歸結為計算變數的概率分佈。概率圖模型(probabilistic graphical model,簡稱PGM)是一類用圖來表達變數相關關係的概率模型,它以圖為表示工具,最常見的是用一個結點表示一個或一組隨機變數,結點之間的邊表示變數間的概率相關關係,即「變數關係圖」。
根據邊的性質不同,概率圖模型可大致分為兩類:第一類是使用有向無環圖表示變數間的依賴關係,稱為有向圖模型或貝葉斯網;第二類是使用無向圖表示變數間的相關關係,稱為無向圖模型或馬爾科夫網(Markov network).
關於貝葉斯網在上一篇文章中已有介紹,本文主要介紹馬爾科夫網。
目錄
一、隱馬爾科夫模型
二、馬爾科夫隨機場
三、條件隨機場
一、隱馬爾科夫模型(Hidden Markov Model,簡稱HMM)
隱馬爾科夫模型是結構最簡單的動態貝葉斯網,其基本思想來源於馬爾可夫過程,可看作是一個含有隱含未知參數的馬爾可夫過程。(對馬爾可夫過程不瞭解的同學可參考百度百科中的介紹
https://baike.baidu.com/item/%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E8%BF%87%E7%A8%8B/2952385)
一個對馬爾科夫模型直觀的描述如下圖所示