Fatal编程技术网
  • machine-learning/
  • Machine learning 基于隐马尔可夫模型的分类器中状态数的影响

Machine learning 基于隐马尔可夫模型的分类器中状态数的影响

machine-learning

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

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

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
   ...