知识卡片
马尔科夫链的转移概率与定义
马尔科夫链是时间与状态都离散的马尔科夫过程。形式化定义为:对随机过程 {Xn, n∈T},若对任意 n 与任意 i0,…,in+1,都有 P{Xn+1=in+1 | X0=i0,…,Xn=in}=P{Xn+1=in+1 | Xn=in},就称马尔科夫链,简称马氏链。一步转移概率 Pij(n)=P{Xn+1=j | Xn=i} 给出时刻 n 从状态 i 跳到 j 的概率,把这些概率排成矩阵就是一步转移矩阵(表11.1的状态转移矩阵即是一例)。它是 1907 年马尔科夫提出的原始模型,现用于数据压缩(LZMA)、种群数量变化、扩散现象与天气预报等,核心仍是马尔科夫性带来的历史压缩。
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
- 第11章 概率图模型与词性标注 · 查看原书依据
设有随机过程{Xn ,n∈T},若对于任意的整数n∈T和任意的i0 ,i1 ,…,in+1 ∈I,条件概率满足: P{Xn+1 =in+1 |X0 =i0 ,X1 =i1 ,…,Xn =in }=P{Xn+1 =in+1 |Xn =in } 则称马尔科夫链,简称马氏链。
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:原文给出马尔科夫链的条件概率等式、一步转移概率 Pij(n) 与一步转移矩阵定义,并列举压缩、种群、扩散等应用,支撑形式化与用途的说明。
- 原始内容:设有随机过程{Xn ,n∈T},若对于任意的整数n∈T和任意的i0 ,i1 ,…,in+1 ∈I,条件概率满足: P{Xn+1 =in+1 |X0 =i0 ,X1 =i1 ,…,Xn =in }=P{Xn+1 =in+1 |Xn =in } 则称马尔科夫链,简称马氏链。