← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9848.a · 生成模型:Hunyuan

马尔科夫性与无后效性

理解等级:初级

随机过程描述一组随时间演化的随机变量。若系统下一步的走向只取决于当前状态、与更早的历史无关,它就具备马尔科夫性,也叫无后效性:在时刻 t0 的状态已知时,时刻 t>t0 的状态条件分布与 t0 之前的状态无关。这一性质写成条件概率就是 P(Xn+1 | X0,…,Xn)=P(Xn+1 | Xn)。按状态与时间是否离散,马尔科夫过程分为马尔科夫链(两者都离散)、连续时间马尔科夫链(时间连续、状态离散)以及两者都连续三类。机器学习与通信领域主要研究马尔科夫链。它的价值在于把’记住全部历史’压缩成’只看当前状态’,使长序列的概率计算变得可行。

这张卡片看不懂?

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:《机器学习算法原理与编程实践》第11章 概率图模型与词性标注(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00037.html) - 结论依据:原文给出马尔科夫性与无后效性的定义,并据此把马尔科夫过程按状态与时间是否离散分成三类,直接支撑'未来只依赖当前状态'的解释。 - 原始内容:马尔科夫性(无后效性):系统在时刻t0 所处的状态为已知的条件下,在时刻t > t0 所处状态的条件分布,与系统在t0 时刻之前所处的状态无关,这一特性称为马尔科夫性或无后效性。