13-14.1隐马尔科夫模型课题.pptVIP

隐马尔科夫模型HMM 北京10月机器学习班 邹博 2014年12月7日 复习：贝叶斯网络 x1和x2独立 x6和x7在x4给定的条件下独立 x1,x2,…x7的联合分布： July注解：贝叶斯网络详细复习参见下述链接 /v_july_v/article/details贝叶斯网络分析 1+2+2+4+4=13 vs 2^5 复习：特殊的贝叶斯网络 M个离散结点形成一条链，每一个结点有K个状态，则需要K-1+(M-1)K(K-1)个参数。这是关于长度M的线性函数。 别忘了，如果是全连接，需要KM-1个参数，是关于M的指数函数。 这个网络被称作马尔科夫模型。 复习：通过贝叶斯网络判定条件独立—1 P(a,b,c)=P(c)*P(a|c)*P(b|c) 则：P(a,b|c)=P(a,b,c)/P(c) 带入，得到： P(a,b|c)=P(a|c)*P(b|c) 即：在c给定的条件下，a，b被阻断(blocked)，是独立的。 条件独立：tail-to-tail 复习：通过贝叶斯网络判定条件独立—2 P(a,b,c)=P(a)*P(c|a)*P(b|c) 即：在c给定的条件下，a，b被阻断(blocked)，是独立的。 条件独立：head-to-tail 复习：通过贝叶斯网络判定条件独立—3 P(a,b,c) = P(a)*P(b)*P(