Quali sono i vantaggi di dare determinati valori iniziali alle probabilità di transizione in un modello nascosto di Markov? Alla fine il sistema li imparerà, quindi che senso ha dare valori diversi da quelli casuali? L'algoritmo sottostante fa la differenza come Baum-Welch?
Se conosco le probabilità di transizione all'inizio in modo molto preciso e il mio scopo principale è prevedere le probabilità di uscita dallo stato nascosto alle osservazioni, cosa mi consiglieresti?
Risposte:
Baum-Welch è un algoritmo di ottimizzazione per il calcolo dello stimatore della massima verosimiglianza. Per i modelli Markov nascosti, la superficie di probabilità può essere piuttosto brutta e non è certamente concava. Con buoni punti di partenza l'algoritmo può convergere più velocemente e verso l'MLE.
Se conosci già le probabilità di transizione e desideri prevedere gli stati nascosti dall'algoritmo di Viterbi, hai bisogno delle probabilità di transizione. Se li conosci già, non è necessario rivalutarli utilizzando Baum-Welch. La rivalutazione è computazionalmente più costosa della previsione.
Alcuni dei materiali relativi alle stime iniziali di HMM sono riportati in
Puoi anche dare un'occhiata al toolkit di modellazione probabilistica per Matlab / Octave , in particolare la funzione hmmFitEm dove puoi fornire il tuo parametro iniziale del modello o semplicemente usando (opzione 'nrandomRestarts'). Durante l'utilizzo di 'nrandomRestarts', il primo modello (al passaggio di inizializzazione) utilizza:
il secondo, il terzo modello ... (nella fase di init) usano parametri inizializzati casualmente e come risultato convergono più lentamente con valori di Log Likelihood per lo più bassi.