知识卡片
隐状态参数要按事件次数估计
一阶HMM把标签作为状态、词作为发射观测,π描述句首状态分布,A描述给定前态的后态分布,B描述给定状态的观测分布。监督计数时aij为i→j次数除i出发总次数,bj(k)为j发出k的次数除j发射总次数。原文B分子写概率再除次数量纲不对;分布需按各条件归一,未见项还需约定平滑。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
参考来源
- 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第6章 语义分析:意义很重要,spine060单元004;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00059.html。
- 结论依据:原文A计数比与B文字公式及λ参数列表显示条件对象,官方HMM发射定义确认B应为条件观测概率。2026-11-06核对官方资料:https://www.nltk.org/api/nltk.tag.hmm.html。未在本机运行示例或改变环境。
- 原始内容:状态 j 的情况下输出序列出现的概率。 B=bj(k)= 在状态 j 时输出观察符号k 的概率/在状态 j 时预期观察值出现的次数。 Baum Welch算法用于找到HMM参数的最大似然值和后验模型估计。前向-后向算法用于在