एक छिपे हुए मार्कोव मॉडल में संक्रमण की संभावनाओं को कुछ प्रारंभिक मूल्य देने के क्या लाभ हैं? आखिरकार सिस्टम उन्हें सीखेगा, इसलिए यादृच्छिक लोगों के अलावा अन्य मूल्यों को देने का क्या मतलब है? क्या अंतर्निहित एल्गोरिथ्म बॉम-वेल्च जैसे अंतर बनाता है?
यदि मुझे शुरुआत में संक्रमण की संभावनाएँ बहुत सटीक रूप से पता हैं, और मेरा मुख्य उद्देश्य छिपी हुई अवस्था से टिप्पणियों तक आउटपुट संभावनाओं की भविष्यवाणी करना है, तो आप मुझे क्या सलाह देंगे?
जवाबों:
बॉम-वेल्च अधिकतम-संभावना अनुमानक की गणना के लिए एक अनुकूलन एल्गोरिथ्म है। छिपे हुए मार्कोव मॉडल के लिए संभावना की सतह काफी बदसूरत हो सकती है, और यह निश्चित रूप से अवतल नहीं है। अच्छे शुरुआती बिंदुओं के साथ एल्गोरिथ्म तेजी से और MLE की ओर परिवर्तित हो सकता है।
यदि आप पहले से ही संक्रमण की संभावनाओं को जानते हैं और विटर्बी एल्गोरिदम द्वारा छिपे हुए राज्यों की भविष्यवाणी करना चाहते हैं, तो आपको संक्रमण संभावनाओं की आवश्यकता है। यदि आप उन्हें पहले से जानते हैं, तो बॉम-वेल्च का उपयोग करके उन्हें फिर से अनुमान लगाने की कोई आवश्यकता नहीं है। भविष्यवाणी की तुलना में पुनर्मूल्यांकन कम्प्यूटेशनल रूप से अधिक महंगा है।
एचएमएम के प्रारंभिक अनुमानों के विषय में कुछ सामग्री दी गई हैं
आप माटलैब / ऑक्टेव के लिए प्रोबेबिलिस्टिक मॉडलिंग टूलकिट पर भी एक नज़र डाल सकते हैं , विशेष रूप से hmmFitEm फ़ंक्शन जहां आप मॉडल का अपना प्रारंभिक पैरामीटर प्रदान कर सकते हैं या बस ('nrandomRestarts' विकल्प) का उपयोग कर सकते हैं। 'NrandomRestarts' का उपयोग करते समय, पहला मॉडल (init चरण में) उपयोग करता है:
दूसरा, तीसरा मॉडल ... (init स्टेप पर) बेतरतीब ढंग से आरंभीकृत मापदंडों का उपयोग करते हैं और परिणामस्वरूप अधिकतर लो लॉग लॉगेलिहुड मानों के साथ अधिक धीरे-धीरे परिवर्तित होते हैं।