图解隐马尔可夫模型（HMM）

隐马尔可夫模型(HMM)的训练与预测

一、HMM模型训练

首先我们的语料库为三段文本 ：
1.今天 天气 真 不错 。
2. 麻辣肥牛 好吃 ！
3. 我 喜欢 吃 好吃 的 ！
那么每一个字都有一个标识（“隐藏状态”）可以根据语料库得到所有标识
B：词语开始 M：词语中间 E：词语结束 S：单独出现

二、HMM模型预测

对于给定的待预测文本，需要通过HMM模型进行预测，待预测文本不一定存在语料库中，通过初始概率矩阵、转移概率矩阵、发射矩阵计算所有可能性的概率，最后通过维比特算法计算出最终结果。

三、初始概率矩阵

初始矩阵一开始统计的都是每一个字出现在文本中的频次。初始概率矩阵中存放的是归一化之后的值。

四、转移概率矩阵

可以从右下角的表格中简单的验证一下，例如BE有6个…，并计算概率
在转移概率矩阵当中有一个很重要的特征，每一行之和为1

五、发射概率矩阵

发射概率矩阵的行表示标识数目，每一列表示一个字，综合起来看就是，在某个标识的条件下，发射到某个字的概率。
发射概率矩阵有一个很重要的特征就是，每一行的概率之和为1

六、模型预测

这里只列出来了一种计算，如果通过穷举法：一共有4⁷ 次计算。
因此需要采用维特比算法降低算法复杂度，降低计算次数。
维特比算法下节会仔细讲解！敬请期待！