Como explica @ Quora User , los modelos de Markov ocultos se utilizan para predicciones secuenciales o estructuradas. Es un modelo de secuencia. Digamos que quieres identificar sustantivos y verbos en una oración. Luego, hay varias etiquetas en una oración, por supuesto, podemos usar un modelo de clasificación simple para cada tipo de etiqueta, pero no tomaría en consideración el contexto de la otra etiqueta.
Para explicar los modelos de secuencia con otro escenario útil, suponga que está haciendo análisis de clics para un sitio web. Realiza un seguimiento de la secuencia de clics realizados por el usuario, desea predecir los siguientes clics posibles. Este es un modelo de secuencia.
Además, los modelos ocultos de Markov podrían considerarse como la extensión gráfica del modelo Naive Bayes. El documento “Introducción a los campos aleatorios condicionales para el aprendizaje relacional” explica esto maravillosamente. Aquí hay una foto del periódico
NaiveBayes y HMM modelan la distribución conjunta y son modelos generativos, mientras que como Regresión Logística y CRF modelan la distribución condicional y son modelos discriminativos. Por favor lea la sección 1.2.3
Modelos discriminativos y generativos del trabajo. Todos estos modelos están relacionados en función de la distribución de probabilidad que modelan y ayuda mucho a tener una idea de cómo funcionan estos modelos.
- ¿Hay bases de datos de palabras clave abiertas?
- ¿Cómo detectamos las anamolias que causan la caída de la máquina y la pérdida de producción en la fabricación?
- ¿Cuál es la diferencia entre rpart y randomForest en R?
- ¿Es posible comenzar la investigación académica en matemáticas / aprendizaje automático sin la ayuda de un asesor? Está ocupado con su propuesta de subvención.
- ¿Cuál es una buena definición de Generalización wrt Deep Learning?
Este blog también es muy útil para comprender el panorama general Introducción a los campos aleatorios condicionales.
En resumen, ayuda a entender la relación entre HMM, CRF, naivebayes y regresión logística para aprender los conceptos detrás de ellos. Por lo tanto, es mejor tratarlos juntos en lugar de aprender uno a la vez.