Hidden Markov Model Tools: Jahmm

Question

Я новичок в области машинного обучения, я прочитал о СММАХ, но я до сих пор есть несколько вопросов:

1. При применении СММ для машинного обучения, как может исходное , вероятности приема и перехода?

2. В настоящее время у меня есть набор значений (состоящих из углов руки, которые я хотел бы классифицировать с помощью HMM), каким должен быть мой первый шаг?

   • Я знаю, что есть три проблемы в HMM (ForwardBackward, Baum-Welch и Viterbi), но что мне делать с моими данными?

3. В литературе, что я читал, я никогда не сталкивался с использованием функций распределения в НММАХ, но конструктор, который использует JaHMM для СММ состоит из:

   • числа состояний
   • Вероятность Распределение Функция завод
   • Конструктор Описание: Создает новый HMM. Каждое состояние имеет одно и то же значение pi, и вероятности перехода равны. Параметры: nbStates (строго положительное) количество состояний HMM. opdfFactory Генератор pdf, который используется для создания PDF-файлов, связанных с каждым состоянием.

Что это используется? И как я могу его использовать?

Спасибо

Answer 1

Вы должны как-то модель и узнать начальное, лучение, и вероятность tranisition такие, что они представляют свои данные. В случае дискретных распределений, а не для многих переменных/состояний, вы можете получить их в форме максимального правдоподобия или вы тренируете дискриминационный классификатор, который может дать вам оценку вероятности, например, Random Forests или Naive Bayes. Для непрерывных распределений взгляните на гауссовские процессы или любой другой метод регрессии, такой как гауссовские модели смеси или регрессионные леса.

Что касается ваших вопросов 2. и 3.: они общие и нечеткие, на которые нужно ответить здесь. Вы должны любезно обратиться к следующим книгам: «Распознавание образов и машинное обучение» Бишопа и «Вероятностные графические модели» Коллера/Фридмана.