当前位置:   article > 正文

机器学习——隐马尔可夫模型HMM_使用隐马尔可夫对疾病数据进行预测

使用隐马尔可夫对疾病数据进行预测

目前的博客还是侧重于数学公式,方便自己复习,等忙过秋招就尽量做到雅俗共赏~~

1 HMM定义

隐马尔可夫模型是什么?有什么作用?数学公式是什么?

隐马尔可夫模型是一种时序(时间上的联系)的概率模型,用在词性标注,记住一个东西,例子+图。

例子就是,通过可看见的推测不可看见的,比如医生问诊,根据你身体状况(可以观察的到的,外在表现)来判断疾病。韩梅梅医生不仅要看你目前的身体状况,还会问你昨天的身体状况,也就是参考邻近的时间的观测信息。

HMM是一个时序模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态的序列,再由各个状态随机生成一个观测而产生观测的序列的过程。(很绕,但定义嘛,还是得根据书上来)绕没关系,断句理解。

1 什么是马尔可夫链?(马尔可夫链当前状态只和上一个状态有关,而和上个状态之前的状态无关)

各个状态  随机生成     一个观测(一对一)    而产生     观测的序列    的   过程?(这个的意思是,确定了当下,就能预测明天,然后到了明天,又能预测明天   这么个时间序列的过程)

所以要想描述清楚这个HMM,记住它的五个基本要素:(结合图)

HMM七个元素(O, I, X,Y,π,A, B),I是时间长度为T状态序列(下图{y1,y2,y3,y4),O是对应的观测值,下图的{x1,x2,x3,x4}。

Y是状态(输出)所有取值的集合,X是观察值(输入)所有取值的集合,π是初始状态的概率,A是状态转移概率矩阵,B是输出观察值概率矩阵。

看图解释!!!

情景:假设通过观测小明今天点菜是点辣的还是清淡的,来判断小明今天有没有上火:

现在还差个π了,π能是状态的初始概率值,比如,小明上火的概率是0.2,不上火的概率是0.8,那么π是(0.8,0.8,0.2,0.2)。

假设Y所有取值个数是N,X所有取值个数是M,时间序列长度是T,那么请记住:

A只和Y有关,根据定义,它是一个NXN的矩阵,枚举所有状态Y转换

B既和A有关又和M有关,根据B定义这是个NxM的矩阵,枚举所有状态Y转换到观测X

π的是状态初始概率分布,即在,没时间状态约束的情况下,Y的每个取值的概率,所以也只跟Y有关,长度为1xN

一般呢,我们把模型  λ( A, B,π)  表示HMM模型。HMM有7个要素,根据已知哪些求哪些分为3个问题:

(1)给定模型λ( A, B,π)和O,求P(O|λ)——这个是概率计算的问题

(2)给定O,求λ( A, B,π)——这个是个学习的问题,一般是最大化P(O|λ),然后使用最大似然估计法估计参数

(3)给定模型λ( A, B,π)和O,求最优可能的I——这个就是预测问题了,准则就是P(I|O)最大

这三种场景对应的算法也不一样,(1)前向-后向算法求解(有点像神经网络的传播),根据前向-后向算法也是Baum-Welch算法中求概率和期望的方法;(2)学习问题的算法是Baum-Welch(EM+最大似然估计,生成模型);(3)维特比算法(动态规划)

以下展开介绍。

2 概率计算算法

因为是时间序列,所以必须按时间先后的顺序。基本就是先确定t=0,由t=0确定t=1,t=1确定t=2。截个图吧,不想打了。建议理解的时候自动脑补类似于神经网络的图。

前向算法,t=0开始推导:

前向算法,t=T开始推导:

2.1 一些期望与概率的计算(学习算法和预测算法都需要)

3 学习算法

回忆一下EM算法,EM是求含有隐变量的条件概率问题,而这个HMM不就是包含隐变量吗?

(已知输出状态O,求参数λ(A,B,π))

使用EM算法,估计参数,来最大化条件概率P(O|λ)=∑P(O|I,λ)P(I|λ)。

1 E步,确定期望E的下限:

初始化λ~ ,确定P(O|λ)的期望的下限Q:

2 M步,极大化Q,来求得 模型参数A,B和π:

这三个参数,是学习而得的,可根据前向-后向算法求取。

4 预测算法(解码)

已知输出状态O和模型参数λ,求最可能的隐状态I。从例题入手去理解维特比算法。

假设3个箱子,每个箱子拿  红/白球的概率已知(混合矩阵B),3个箱子出现的概率也已知(π),当前状态是箱子j,下个状态是箱子i的概率也知道(状态转移矩阵A)。小明依次拿了3个球,分别是{红,白,红},求这3个球对应的箱子应该是?

我觉得用高中的思想去看这道题会更好。

第一步,拿出红球的概率,它有3个取值:

P(i=1;o=红|λ) = 0.2*0.5 = 0.1

P(i=2;o=红|λ) = 0.4*0.4 = 0.16

P(i=2;o=红|λ) = 0.4*0.7 = 0.28

第二步,第一次是红球,第二次是白球的概率,则需要求:

P(i=1,1;o=白,红|λ)                   P(i=1,2;o=白,红|λ)                         P(i=1,3;o=白,红|λ)  

P(i=2,1;o=白,红|λ)                   P(i=2,2;o=白,红|λ)                         P(i=2,3;o=白,红|λ)  

P(i=3,1;o=白,红|λ)                   P(i=3,2;o=白,红|λ)                         P(i=3,3;o=白,红|λ)  

但因为这是求最佳路径,这就用到了动态规划的思想。我们发现P(i=1,1;o=白,红|λ) 和P(i=1,2;o=白,红|λ)  和                   P(i=1,3;o=白,红|λ)不管他之前的状态,在t=2时他们都在状态i=1上,那也就是说,接下来t=3,4,...,T他们面临的路是一样的,我是要选最优路径的,那肯定选择t=1——>t=2状态为i=1的最优路径了(比如每个学校要派个同学去参加竞赛,你是校长是不是会立马选择成绩最好的那个?)。即:

取max{P(i=1,1;o=白,红|λ) , P(i=1,2;o=白,红|λ) ,P(i=1,3;o=白,红|λ) }

同样对t=2,状态为2、3依然选择最优的路径:

max{P(i=2,1;o=白,红|λ) , P(i=2,2;o=白,红|λ) ,P(i=2,3;o=白,红|λ) }

max{P(i=3,1;o=白,红|λ) , P(i=3,2;o=白,红|λ) ,P(i=3,3;o=白,红|λ) }

则:

max{ P(i=1;红|λ)*P(i=1-->i=1)   P(i=2;红|λ)*P(i=2-->i=1)   P(i=3;红|λ)*P(i=3-->i=1)  }*P(i=1-->o=白),得到:

P(i=1,3;o=白,红|λ)  = P(i=3;红|λ) *P(i=3-->i=1)*P(i=1-->o=白)=0.28*0.2*0.5=0.028

P(i=2,3;o=白,红|λ)  = 0.0504

P(i=3,3;o=白,红|λ)  = 0.042 

同理算出t=3的时候:

max{P(i=1,1,3;o=红,白,红|λ) , P(i,=1,2,3;o=红,白,红|λ) ,P(i=1,3,3;o=红,白,红|λ) }

max{P(i=2,1,3;o=红,白,红|λ) , P(i,=2,2,3;o=红,白,红|λ) ,P(i=2,3,3;o=红,白,红|λ) }

max{P(i=3,1,3;o=红,白,红|λ) , P(i,=3,2,3;o=红,白,红|λ) ,P(i=3,3,3;o=红,白,红|λ) }

则:

P(i=1,2,3;o=红,白,红|λ)  = 0.00756

P(i=2,2,3;o=红,白,红|λ)  = 0.01008

P(i=3,3,3;o=红,白,红|λ)  =  0.0147

这个时候,我知道最大的概率是P(i=3,3,3;o=红,白,红|λ)  = 0.0147

则,最优路径应该是 3-->3-->3,因为这条路径概率最大。

以下就是维特比算法:

 

就是我们上个例题的P(I=i,it-1,..,i1; O=o, ot-1,..,o1|λ)

就看成是最优路径。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/知新_RL/article/detail/739767
推荐阅读
相关标签
  

闽ICP备14008679号