知识卡片
Viterbi算法的递推实现
Viterbi 的实现用一个路径概率表 V[时间][隐状态] 保存每个时刻各状态的最大概率。初始化 V[0][y]=start_p[y]×emit_p[y][obs[0]];随后对每个 t>0、每个状态 y,计算 V[t][y]=max over y0 of V[t−1][y0]×trans_p[y0][y]×emit_p[y][obs[t]],即前状态概率、转移概率与当前发射概率三者乘积的最大值。最后从每行取最大值及其对应状态组成结果。用天气数据执行,输出 [{Sunny:0.378},{Sunny:0.0378},{Rainy:0.01107421875}],与手工计算一致。实现的关键是用字典保存每步最大值与前驱,把指数级枚举压缩为按时间的线性递推。
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
V[t][y] = max([(V[t-1][y0] * trans_p[y0][y] * emit_p[y][obs[t]]) for y0 in states])
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 viterbi 函数完整代码、V[t][y] 的 max 递推与执行结果,并说明结果与手工计算相同,支撑实现说明。
- 原始内容:V[t][y] = max([(V[t-1][y0] * trans_p[y0][y] * emit_p[y][obs[t]]) for y0 in states])