Los modelos ocultos de Markov (HMM) son un modelo probabilístico que generalmente representa dependencia condicional. Cuando aplicamos el modelo oculto de Markov en la minería de texto de “redes sociales”, donde estamos mayormente acostumbrados a textos más cortos (twitter 140 caracteres), vemos la siguiente limitación en los HMM:
- El tiempo de cálculo del algoritmo de viterbi es muy grande, ya que requiere un gran volumen de secuencias para el entrenamiento (también llamadas secuencias de semillas).
- Hay muchas configuraciones de HMM para una secuencia dada, por lo tanto, definir la estructura apropiada es difícil.
- Cuando intentamos medir las influencias sociales en un usuario en particular, se puede hacer usando HMM, pero cuando tenemos un gran número de usuarios, algunos de los cuales, como una estructura gráfica, los HMM son difíciles de configurar.
Espero que ayude 🙂
- ¿Es posible guardar el estado de una red neuronal?
- ¿Cómo decidimos qué algoritmo usar en el aprendizaje automático?
- Cómo planear mover mi carrera hacia el aprendizaje automático en India
- ¿Cuáles son algunos de los problemas abiertos más importantes en el aprendizaje automático en este momento?
- Cómo proceder si no puedo desempeñarme mejor en un conjunto de datos en particular cuando intento ajustar un modelo de aprendizaje automático