文章目录
- 一、说明
- [二、Markov Chain](#二、Markov Chain)
- 三、Introduction
- [四、State Sequence](#四、State Sequence)
- 五、Comment
- 六、介绍隐藏式马可夫法则。
- 七、隐藏马尔可夫Introduction
- 八、结论
一、说明
在许多机器学习的章节中，常常遇见 HMM ，往往看到它的数学式子后，就当没看到似的跳过去了，其实它的基础理论并不难，尤其是 Markov Chain 在高中数学课本就已经出现过了，但...那么久远的事，相信大家都忘得差不多了，现在一起来回顾一下吧!!
二、Markov Chain
在状态空间中，了解当前的状态与下一个状态发生的随机过程。
（疴...有讲等于没讲，来看一下 Key point 吧！ )
Key point：
如左下图，现有三间大型卖场在AIA附近，分别是Costco、爱买、大润发，已知顾客今日在各个卖场间流动的固定几率（invariant），亦即图上的数字，值得注意的是，从每间卖场画出去箭头上的数字相加起来为1 （ex： Costco 0.7+0.2+1 = 1）。 接着来看一下范例吧...
今天刚来AIA报到的学员圆仔，看到卖场广告后，会到三间卖场的机率分别为0.5、0.1、0.4，那么上课第三天圆仔会到Costco逛的机率是多少？ （解法如下）
三、Introduction
透过上述例子可以知道，当前的状态跟上一个状态有关，是不是有些感觉了咧？ 接下来，就跟着一起走进数学的世界吧!!!
符号介绍：
•假设有 N 个状态，分别标示为 s₁， s₂， ...， s_N
•假设从当前状态 si 变成 sj 的机率为 aij，可表示成转移矩阵（Transition Matrix） A，如下...
•我们纪录第 t 秒的状态在第 i 个状态为 qt = i
•起始时间选定某个状态 si 的机率为 πi ，又可标为 P（q₀ = j）
四、State Sequence
一开始我们会选定一个起状态，然后每过一个单位时间，就会选择走过某一条与当下状态相关的边，到达下一个状态，经过 T 秒后，我们就会得到一条有 T 条边、 T+1 个状态的有序路径（亦称之，state sequence)。
如果上述说的实在抽象，我们用3个状态、5个时间单位说明吧！ 如左图和表格，我们经过5个时间点，会得到6个状态的一条路径，因此我们可以算得形成这条路径的机率是多少？
机率 = π₁ a₁₃ a₃₂ a₂₂ a₂₁ a₁₃
上述的例子，应该可以让大家比较有深刻的感触吧！ 不免俗的，还是用数学式子写一下...在有 T 个时间单位下...我们会得到 state sequence Q
最后，可以得到 Q 的机率为
五、Comment
在固定状态转换 （invariant）的机率下，一切如上述，似乎单纯，如果我们再加入一些变动因素，举两个常见的例子来看看啦！
（1）学员圆仔每日到卖场的机率，会加入他当日出差路线而有异动，即是与时间相关的非固定状态 （time variant）啦！ 其实也没那么复杂，底下的图，让你秒懂这一切。
（2）学员圆仔每日到某卖场的机率，会受到前一日或是前两日去过哪间卖场的影响，前者称为 first-order，后者称为 second-order，听起来很难，其实也没什么，图画出来就知道简单了。
这些东西到底哪时候才会用到呢？ 只要有时间关系的，例如，RNN、NLP、RL，都可以用 Markov chain 的变化形态来解释喔！
下一章 Hidden Markov Model_part2 会带大家认识闻风丧胆的「Hidden Markov Model」，敬请期待吧!!
六、介绍隐藏式马可夫法则。
Key point：
我们用 part 1 的例子做延伸，如下图，每天都有一定的机率到某间卖场里购物，同时也会有某个机率在该间卖场买瓶饮料。
在起始机率分别为0.5、0.1、0.4下，圆仔三天来逛卖场的顺序为Q（爱买，Costco， 大润发），每到一间卖场他都会买一瓶饮料，三天来分别买了O（雪碧，可乐，绿茶），请问发生Q和O的共同机率为多少呢？
现在换个问题来想想，如果已知连续三天到卖场买的饮料依序为O（红茶，雪碧，绿茶），请问有几种可能路线呢？ 每条路线分别发生的机率又有多少呢？
七、隐藏马尔可夫Introduction
第二个例子说明了，当只知观察值，而状态被隐藏的时候，如何找出「最佳的路径」。 但是，既然是 model 一定是需要训练的，到底什么东西是需要被训练的呢？
在实际遇到的问题中，我们并不会知道「机率转移矩阵」实际的机率是多少，换句话说，我们不知道上述所指的 「转移矩阵 A」和「转移矩阵 B」，只会有一堆数据。
在此，我们用已知的转移矩阵条件下，举一个实际的分类问题，熊猫团团、圆圆、圆仔，半年来，每周买饮料（观察值）的依序清单，至于可能的路线，及多少机率会买到对应的饮料，皆是未知，根据个别的买卖习惯分析，训练对应的模型，找出对应的「转移矩阵」，最后我们要预测，当随便给一周的饮料的清单，最有可能是哪只熊猫的喜好。
（上图为 HMM，其中一种方法，目的试算出在指定事件的发生状态下，算出此事件发生的最大机率之路径 ）
八、结论
HMM模型特点：
- HMM 是针对有关时间序列的数据所建立的模型。
- 是所有时间模型的鼻祖 （ex： RNN、NLP、RL 等）
讲到这边，大家对于 HMM 能处理的问题，应该有所认识了，part 3 将会带大家了解要如何训练 model ，找出可能的状态栏，不过这部分有很多的数学式在里面，千万别看到就头晕了，所以慎入呀