Ví dụ về các vấn đề mô hình Markov ẩn?


21

Tôi đã đọc khá nhiều mô hình Markov ẩn và có thể tự viết mã phiên bản khá cơ bản của nó.

Nhưng có hai cách chính tôi dường như học hỏi. Một là đọc và triển khai nó thành mã (đã được thực hiện) và thứ hai là để hiểu cách áp dụng nó trong các tình huống khác nhau (vì vậy tôi có thể hiểu rõ hơn về cách nó liên quan đến các vấn đề tôi có thể đang làm việc). Tất cả các ví dụ tôi đã làm cho đến nay đều liên quan đến một số loại dự đoán DNA hoặc tung đồng xu.

Tôi tự hỏi liệu có bất kỳ nguồn lực nào để gặp các vấn đề khác của Markov không (ngôn ngữ không thành vấn đề nhưng hy vọng với câu trả lời cũng để tôi có thể biết mình đúng hay sai)?


Tôi được khuyên nên đăng bài này từ stackoverflow.com/questions/8661941/
Khăn

Bạn có thể cụ thể hơn một chút về "mã một phiên bản khá cơ bản" không? Bạn đã mô phỏng từ một quy trình Markov ẩn, hoặc bạn đã mã hóa các thuật toán Viterbi, chuyển tiếp hoặc Baumát Welch? (Ba cái cuối cùng sẽ được sử dụng để tính toán chuỗi trạng thái tương ứng rất có thể, xác suất của chuỗi quan sát hoặc xác suất bắt đầu, chức năng chuyển tiếp và chức năng quan sát của mô hình Markov ẩn tương ứng.)
Wayne

Xin chào Wayne, về cơ bản tôi đã mã hóa một phiên bản của trang này (bảng tính) cho baum-Welch: cs.jhu.edu/~jason/ con / # tnlp02 và về cơ bản đã triển khai mã cho trang wiki viterbi và làm theo một số hướng dẫn cơ bản về mô hình markov ẩn. Điều này nghe có vẻ ngu ngốc nhưng tôi muốn xem các loại vấn đề khác mà tôi có thể cố gắng giải quyết để tôi có thể hiểu rõ hơn về những gì mô hình markov có khả năng.
Lostsoul

1
Tôi không muốn dành hàng tuần để làm việc với nó, nhưng ví dụ một nghiên cứu trường hợp về một người nào đó sử dụng mô hình markov theo cách không tung đồng xu hoặc dự đoán thời tiết có thể giúp tôi hiểu phạm vi vấn đề mà nó có thể giải quyết tốt hơn. Về cơ bản, tôi đang tìm cách xây dựng sự hiểu biết tốt hơn bằng cách thử nghiệm những gì các mô hình markov có thể làm.
Lostsoul

Tôi nghĩ HMM cũng có những ứng dụng rất quan trọng trong Tài chính (lãi suất) và Kinh tế (GDP).
Một ông già ở biển.

Câu trả lời:


8

Tôi đã sử dụng HMM trong kịch bản ước tính mức nhu cầu / hàng tồn kho, trong đó chúng tôi có hàng hóa được mua từ nhiều cửa hàng có thể hoặc không thể hết hàng tồn kho. Do đó, chuỗi nhu cầu hàng ngày đối với các mặt hàng này bao gồm các số 0 là số ngày không có nhu cầu hợp pháp và cũng là số không vì cửa hàng đã hết hàng. Bạn sẽ nghĩ rằng bạn biết liệu cửa hàng đã hết hàng từ mức tồn kho hay chưa, nhưng lỗi trong hồ sơ tồn kho lan truyền và không có gì lạ khi tìm thấy một cửa hàng nghĩ rằng nó có số lượng mặt hàng tích cực trong tay, nhưng thực tế không có ai; trạng thái ẩn là, nhiều hay ít, cho dù cửa hàng thực sự có hàng tồn kho hay không, và tín hiệu là (nhu cầu hàng ngày, mức tồn kho danh nghĩa). Không có tài liệu tham khảo cho công việc này, mặc dù; chúng tôi không được phép công bố kết quả vì lý do cạnh tranh.

Chỉnh sửa: Tôi sẽ thêm rằng điều này đặc biệt quan trọng bởi vì, với nhu cầu bằng không, hàng tồn kho danh nghĩa của cửa hàng không bao giờ giảm và vượt qua một điểm đặt hàng, gây ra một đơn đặt hàng cho hàng tồn kho nhiều hơn - do đó, không có trạng thái nào do hồ sơ tồn kho sai sót không được sửa chữa trong một thời gian dài, cho đến khi ai đó nhận thấy có gì đó không đúng hoặc số chu kỳ xảy ra, có thể là nhiều tháng sau khi vấn đề bắt đầu.


Tôi tin rằng đây được coi là một vấn đề lạm phát bằng không, và chúng khá phổ biến. Bạn cần một mô hình mô hình "số 0 thừa" (khi số đọc bằng 0 vì không thể có bất kỳ số đọc nào, trái ngược với số đọc hợp pháp bằng 0), sau đó là mô hình cấp hai mô hình phần còn lại. Ví dụ: số lượng khách hàng trong một ngân hàng: đôi khi thực sự không có ai, những lần khác ngân hàng đóng cửa nên không thể có bất kỳ khách hàng nào. Hoặc tốc độ của một chiếc ô tô: đôi khi nó ngồi yên với một người lái xe trong đó, lần khác nó đỗ. Vv
Wayne

Đúng, từ quan điểm của tín hiệu nhu cầu. Một phần khác của vấn đề là xác định trạng thái ẩn "hàng tồn kho = 0 | hàng tồn kho> 0" nhị phân, điều này thực sự quan trọng hơn đối với khách hàng.
jbowman

Tôi cũng nên chỉ ra rằng "các số 0 bị thổi phồng" không phải là theo thời gian - có những lần chạy trong đó tất cả các số 0 là "phụ" và chạy ở nơi không có chúng, do đó cần HMM với trạng thái chỉ ra điều đó đang xảy ra từng quan sát.
jbowman

6

Tôi đã trải nghiệm khá nhiều điều tương tự và không tìm thấy nhiều ngoài thời tiết. Các lĩnh vực xuất hiện trong tâm trí bao gồm: nhận dạng giọng nói, phát hiện điểm thay đổi, gắn thẻ các phần của lời nói trong văn bản, căn chỉnh các mục / văn bản chồng chéo và nhận dạng ngôn ngữ ký hiệu.

Một ví dụ tôi đã tìm thấy và thực hiện một số thăm dò là trong Phần 8 của phần giới thiệu này , đây là một trong những tài liệu tham khảo cho HMM trên Wikipedia. (Điều này thực sự khá thú vị: phân tích của bạn phát hiện ra rằng có nguyên âm và phụ âm.) Điều này cũng giới thiệu cho bạn cách làm việc với một văn bản văn bản, rất hữu ích.

(Nếu bạn muốn chơi với thế hệ với HMM, bạn có thể đào tạo trên văn bản Shakespeare và sau đó tạo giả-Shakespeare.)


3

Hầu hết các phần mềm nhận dạng giọng nói đều sử dụng Mô hình Markov ẩn. Bạn có thể thử nghiệm xử lý ngôn ngữ tự nhiên nếu bạn muốn cảm nhận về các ứng dụng HMM.

Đây là một nguồn tốt: Mô hình đồ họa xác suất, của Koller và Friedman .


Cảm ơn, Carlos. Cuốn sách tuyệt vời, tôi bắt đầu đọc nó một lúc nhưng không hoàn thành nó. Có nó để tìm hiểu về học máy và lý thuyết đồ thị, nhưng tôi sẽ quay lại và tìm kiếm các câu hỏi liên quan đến các mô hình markov. Tôi cũng sẽ xem xét xử lý ngôn ngữ tự nhiên (tôi chưa bao giờ làm việc với nó trước đây)
Lostsoul

3

Các mô hình markov ẩn rất hữu ích trong việc theo dõi HIV. HIV xâm nhập vào dòng máu và tìm kiếm các tế bào phản ứng miễn dịch. Sau đó, nó nằm trên hàm lượng protein của tế bào và xâm nhập vào lõi của tế bào và thay đổi hàm lượng DNA của tế bào và bắt đầu tăng sinh virion cho đến khi nó thoát ra khỏi tế bào. Tất cả các giai đoạn này là không quan sát được và được gọi là tiềm ẩn. Một ví dụ lý tưởng cho mô hình markovian ẩn.


2
Vậy theo cách chính xác thì các mô hình Markov ẩn giúp theo dõi HIV như thế nào? Các bác sĩ lâm sàng sử dụng HMM để chẩn đoán HIV? Các nhà nghiên cứu có sử dụng chúng để hiểu rõ hơn về cơ chế của bệnh hoặc tạo ra các loại thuốc và liệu pháp chống HIV không? Bất kỳ tài liệu tham khảo sẽ rất hữu ích.
Leo


0

Các mô hình Markov có thể hữu ích trong việc phân tích các tương tác của người dùng với trang web - Ví dụ trên Amazon.com trong đó tìm ra chuỗi tương tác nào dẫn đến thanh toán để đưa ra khuyến nghị trong tương lai.

Một ví dụ thú vị cho thấy việc sử dụng Mô hình Markov là như sau-

http://freakonometrics.blog.free.fr/index.php?post/2011/12/20/Basic-on-Markov-Chain-(for-parents )


1
Không phải mô hình HIDDEN Markov ở đây mặc dù - hả?
B_Miner
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.