data_mining:hmm

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision
Previous revision
data_mining:hmm [2014/11/22 03:13] – [Parameter] phreazerdata_mining:hmm [2014/12/17 01:47] (current) – [Beispiel] phreazer
Line 29: Line 29:
 $T(i,j) = P(Z_{k+1}=j|z_k=i)$ ($i,j \in \{i,\dots,m\}$) $T(i,j) = P(Z_{k+1}=j|z_k=i)$ ($i,j \in \{i,\dots,m\}$)
  
-Emission probabilities+T ist die Transition Matrix (Übergangswkt.) 
 + 
 +Emission probabilities:
  
 $\varepsilon_i(x) = p(x|Z_k=i)$ für $i\in \{i,\dots,m\} x \in X$ $\varepsilon_i(x) = p(x|Z_k=i)$ für $i\in \{i,\dots,m\} x \in X$
Line 39: Line 41:
 pmf pmf
  
-Initial distribution: $\pi(i) = P(Z_i=i), \in \{i,\dots,m\}$+Initial distribution:  
 + 
 +$\pi(i) = P(Z_i=i), \in \{i,\dots,m\}$
  
 Joint Distribution: Joint Distribution:
  
-$p(x_1,...,x_n,z_1,...z_n) = \pi(z_1) \varepsilon_z_1(x_1) \prod_{k=2}^n T(z_{k-1},z_k) \varepsilon_z_k(x_k)$+$p(x_1,\dots,x_n,z_1,\dots,z_n) = \pi(z_1) \varepsilon_{z_1}(x_1) \prod_{k=2}^n T(z_{k-1},z_k) \varepsilon_{z_k}(x_k)$ 
 + 
 + 
 + 
 +===== Forward-Backward Algorithmus ===== 
 + 
 +===== Beispiel ===== 
 +Zustand ist Durschnittstemperatur: H oder C 
 +Beobachtbarer Zustand ist Dicke der Ringe: S, M, L 
 + 
 +Nun wird Abfolge S,M,S,L beobachtet. Daraus soll die wahrscheinlichste Zustandssequenz des Markovprozess ermittelt werden.
  • data_mining/hmm.txt
  • Last modified: 2014/12/17 01:47
  • by phreazer