知识卡片

普通读书笔记卡 · 9848.l · 生成模型:Hunyuan

前向算法逐时刻计算状态概率

理解等级:高级

前向算法在给定观测序列下逐时刻计算各隐状态的概率。以三天湿度(干旱、干燥、潮湿)推天气为例,第一天用初始分布乘发射概率:a1(j)=π(j)·b_j(k1),晴天为 0.63×0.6=0.378,阴天 0.0425,雨天 0.01。递推时,后一天的概率既受前一天的转移概率影响,又受当天观测的发射概率影响:先把前一天各状态概率按转移矩阵加权求和,再乘当天观测的发射概率。三天算完取每天最大值,得晴天→晴天→雨天。代码用 numpy:state2Emit=stateP*state1Emit.T,再乘 emitP[:,1]。但每个状态都要汇总所有前驱,随矩阵规模增大计算量呈灾难性增长,这促成只保留最大前驱的 Viterbi 算法。

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

    • 第11章 概率图模型与词性标注 · 查看原书依据

      我们形式化上述的运算如下: a1 (j)=π(j)bjk1 其中,bjk1 是混淆矩阵,也称为发射概率;j代表天气状态序列;k表示空气湿度状态(观察状态)序列;π为初始化概率向量,其初始值为(0.63, 0.17, 0.20),得到的a1 (j)是第一天的状态转移概率。

    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 a1(j)=π(j)bjk1、逐日计算公式与 numpy 代码,并指出矩阵规模增大时计算量灾难性,支撑前向算法与局限。 - 原始内容:我们形式化上述的运算如下: a1 (j)=π(j)bjk1 其中,bjk1 是混淆矩阵,也称为发射概率;j代表天气状态序列;k表示空气湿度状态(观察状态)序列;π为初始化概率向量,其初始值为(0.63, 0.17, 0.20),得到的a1 (j)是第一天的状态转移概率。