我们知道机器学习本身是概率理论和数学统计的应用方向。然后概率图是将图引入概率，描述按图形随机变量之间的关系，并简化和计算依赖关系。我们今天谈论的Marcov模型是一个定向概率模型。
基本上，本文首先是一个面向机器的学习的恋人，它需要更高数学，线性代数和概率理论和数学统计的一定基础。
马尔科夫链的那些知识将在马尔科夫链中使用。下一个状态仅与当前状态有关，它与过去的状态无关，即没有内存。例如，下一刻出租车的概率仅与当前位置有关。
它可以从一个状态变为另一种状态，也可以维护当前状态。
接下来，让我们列出状态转移矩阵
在晴天0.6 0.4云0.8 0.2，然后引入随机变量。我们无法观察Malcov链的状态，我们只能观察到由隐式状态确定的变量。例如（随机变量）表示观察变量，橙节点表示隐态状态。
在上图中，我们观察到托尼每天在做什么，然后根据托尼在家外出还是在家清洁的天气来判断天气。这是对托尼活动的观察。这是一个观察变量，天气是一个隐藏的变量。这种概率称为观察概率。
商店0.6 0.4清洁0.3 0.7隐藏状态收集和观察值集$ $ q = {q_1，dots，q_n}，v = {v_1，v_1，v_2，dots，v_m} $ $ $
其中，Q是隐含状态的集合，隐式状态是阳光明媚的，因此V的价值是购物和清洁
状态序列和观察状态序列$ $ i = {i_1，i_2，dots，i_t}，o = {o_1，o_2，dots，o_t}
$ $
状态序列和观察状态序列在某个时刻竞标。例如，从1、2到T，Malcov链是一个离散的随机过程。我代表每个时间状态。值，o代表观察顺序，每个观察随机变量都使用$ o_1 $表示随机变量，其值是V集合中的一定观察值
状态传输矩阵$ $ a = [a {ij}] {n imes n}，a {ij} = p（i {t+1} = q_j | i_t = q_i）$ $ $
使用大写字母A表示转移矩阵。由于具有n个状态，因此传输矩阵为$ n imes n $ size矩阵，其中$ a_ {ij} $表示当前状态在此处为$ q_i $。下一个状态值的概率为$ q_j $
生成矩阵$ $ b = [bj（k）] {n imes m}，bj（k）= p（o {t} = v_k | i_t = q_j）$ $ $ $
生成的概率，其中b的竞标代表状态值$ q_j $，并且观察值是$ v_k $的概率。
隐式状态的初始概率分布$ pi（i）= p（i_1 = q_i）$ $
嗯可以用来解决3个问题
原始：https：//juejin.cn/post/7101658236339634189