Machine learning 基于隐马尔可夫模型的分类器中状态数的影响
在隐马尔可夫模型中,簇数/码本数,状态数之间的关系是什么Machine learning 基于隐马尔可夫模型的分类器中状态数的影响,machine-learning,probability,hidden-markov-models,Machine Learning,Probability,Hidden Markov Models,在隐马尔可夫模型中,簇数/码本数,状态数之间的关系是什么 状态数是如何影响基于隐马尔可夫模型的分类器性能的?一般来说,如果状态数不是很大,则分类精度会随着隐状态数的增加而提高。如果状态数很大,则精度将不再增加。隐态数的增加将导致更多的计算量 设N为状态数,T为状态和观察序列的长度: 如果要直接计算p(观测值(最多t),状态(t)=S |模型),则需要2*t*(N^t)的计算顺序。因此,试图直接计算这种概率是个坏主意 相反,如果您希望使用前向-后向算法,则需要(N^2)*T级计算,大大快于直接法
状态数是如何影响基于隐马尔可夫模型的分类器性能的?一般来说,如果状态数不是很大,则分类精度会随着隐状态数的增加而提高。如果状态数很大,则精度将不再增加。隐态数的增加将导致更多的计算量 设N为状态数,T为状态和观察序列的长度: 如果要直接计算p(观测值(最多t),状态(t)=S |模型),则需要2*t*(N^t)的计算顺序。因此,试图直接计算这种概率是个坏主意 相反,如果您希望使用前向-后向算法,则需要(N^2)*T级计算,大大快于直接法 因此,对于2个状态和10个时间点,您需要进行(2^2)*10=40次计算,以使用前后向算法获得p(观测值(最多t),状态(t)=S |模型)
# States # Calculations
2 -> 40
3 -> 90
4 -> 160
5 -> 250
...