知识卡片
天气预报的马尔科夫链矩阵实现
天气预报例子把状态设为雨/晴,转移矩阵 A=[[0.8,0.2],[0.7,0.3]],行是今天、列是明天。若 7 月 1 日暴雨,则 7 月 2 日晴天概率 0.8、雨天 0.2;由 C-K 方程,7 月 3 日的矩阵是 A²,算出晴天概率 0.78。手工算到 7 月 10 日要迭代九次矩阵乘法,很繁琐,改用程序:A10 从 A 出发循环九次 A10=A10*A 即得。结果显示 7 月 10 日晴天概率约 0.778,且两行分布几乎相同(都收敛到 0.7778⁄0.2222)。这体现齐次链长期行为会逐渐抹去初始状态的影响、趋于稳定分布,也是矩阵乘方在预测中的直接用法。
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
A = mat( [[0.8,0.2],[0.7,0.3]] );; A1 =A*A # 这是7月3日的转移概率矩阵 print A1 A10 = A # 这是7月10日的转移概率矩阵 for i in xrange(9): A10 = A10*A print A10
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:原文用 A=[[0.8,0.2],[0.7,0.3]] 逐步算出 7 月 3 日与 7 月 10 日的矩阵并给出程序,支撑矩阵乘方预测与收敛结论。
- 原始内容:A = mat( [[0.8,0.2],[0.7,0.3]] );; A1 =A*A # 这是7月3日的转移概率矩阵 print A1 A10 = A # 这是7月10日的转移概率矩阵 for i in xrange(9): A10 = A10*A print A10