問題タブ [markov-models]

次のようにマルコフ スイッチング モデルを推定したいと思います: http://www.chadfulton.com/posts/mar_hamilton.html

ただし、モデルに合わせて関数をインポートしようとすると、つまり

次のエラー メッセージが表示されます。

このエラーを解決するにはどうすればよいですか?

Sという名前の開始状態と という名前の終了状態を持つマルコフ モデルが与えられた場合F、このモデルは有向グラフとして表すことができますが、いくつかの制約があります。

1. すべてのエッジには、遷移確率として (0,1] の範囲内の重みがあります。

2. 各ノードから出てくるエッジの重みの合計は 1 になります。

問題は、開始状態と終了状態の間のパスをランク付けする方法です。または、より正確には、どのようにして最も確率の高い経路を見つけるのでしょうか?

一方では、重みは確率であるため、パスが長いほど、積は小さくなります。そのため、ヒューリスティック戦略の 1 つは、パスが短く重みが大きい候補を選択することです。しかし、この問題を最短経路問題に変換したり、調整されたビタビ アルゴリズムや DP アルゴリズムを使用して解決したりできますか?

ある状態から別の状態に移動する遷移確率を与える 40 の状態の遷移マトリックスがあります。n タイムステップ後にシステムがどの状態になるかを計算するにはどうすればよいでしょうか。

株式市場の予測問題で隠れマルコフ モデルをいじっています。私のデータ マトリックスには、特定の証券のさまざまな機能が含まれています。

シンプルな GaussianHMM に適合します。

モデル (λ) を使用すると、観測ベクトルをデコードして、観測ベクトルに対応する最も可能性の高い隠れ状態シーケンスを見つけることができます。

上記で、テスト セットの最初の 5 つのインスタンスを含む観測ベクトル O _t = (O ₁ , O ₂ , ..., O _d )の隠れ状態シーケンスをデコードしました。テスト セットの 6 番目のインスタンスの隠れ状態を推定したいと思います。アイデアは、6 番目のインスタンスの可能な特徴値の離散セットを反復処理し、観測シーケンス O _t+1を選択することです。argmax = P(O ₁ , O ₂ , ..., O _d+1 | λ ）。_{O d+1}の真の特徴値を観察したら、(長さ 5 の) シーケンスを 1 つシフトして、最初からやり直すことができます。

問題は、観測ベクトル O _t+1をデコードすると、最も可能性の高い予測がほぼ常に同じになることです (たとえば、最も可能性の高い推定は常に[ 0.04 0.04 0.04] に等しいO _d+1の特徴値を持ち、は非表示状態 [0]):

の目的を誤解してmdl.decodeいて、間違って使用している可能性は十分にあります。その場合、O d+1 の可能な値を反復処理して_から、P(O ₁ , O ₂ , ..., O _d+1 | λ) を最大化するにはどうすればよいでしょうか?