數(shù)據(jù)挖掘第六講

數(shù)據(jù)挖掘第六講

<script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>

1什么是馬爾可夫模型,什么是轉(zhuǎn)移概率,什么是C-K方程?

1.馬爾可夫模型

  • 過程(或系統(tǒng))“將來”的情況與“過去”的情況無關(guān),則成過程(或系統(tǒng))具有馬爾可夫性
  • 具有馬爾可夫性的隨機過程稱為馬爾可夫過程
  • 時間和狀態(tài)都是離散的馬爾可夫過程稱為馬爾可夫鏈
  1. 轉(zhuǎn)移概率
    條件概率
    $$ P_{ij}(m, m +n) = P(X_{m + n} = a_j | X_m =a_i)$$
    為馬氏鏈在時刻 m 處于狀態(tài)$a_i$條件下,在時刻m+n轉(zhuǎn)移到狀態(tài)$a_j$的轉(zhuǎn)移概率
  2. 轉(zhuǎn)移矩陣
    由轉(zhuǎn)移概率組成的矩陣稱為馬氏鏈的轉(zhuǎn)移概率矩陣.
    (吸收壁睦疫,反射壁的概念)
  3. C-K方程

什么是HMM,HMM的三大問題是什么?

  • 隱馬爾可夫模型HMM是由兩個隨機過程組成带斑,其中一個是不可觀測的有限狀態(tài)馬氏鏈(使用作弊骰子)奴迅,而且它的轉(zhuǎn)移概率可能也是不知道的坤次,這個馬氏鏈稱為狀態(tài)鏈,另一個隨機過程是可觀測到的程帕,稱為觀測鏈尽超,某時刻觀測鏈的觀測結(jié)果受該時刻狀態(tài)鏈的狀態(tài)影響交洗。
  1. 評估問題:給定觀察序列O和HMM λ=(π, A, B),判斷O是由λ產(chǎn)生的可能性有多大奥吩?
  • 求解:前向和后向算法
  1. 解碼問題:給定觀察序列O和HMM λ=(π, A, B)哼蛆,判斷序列O對應的最優(yōu)狀態(tài)序列是什么?
  • 求解:維特比(viterbi)算法
  1. 學習問題:給定觀察序列O霞赫,確定產(chǎn)生O的最可能HMM λ=(π, A, B)
  • 求解:鮑姆威爾士(Baum-Welch)算法

什么叫抽樣?抽樣方法都有哪些,如何抽樣?

指從目標總體(Population腮介,或稱為母體)中抽取一部分個體作為樣本(Sample),通過觀察樣本的某一或某些屬性端衰,依據(jù)所獲得的數(shù)據(jù)對總體的數(shù)量特征得出具有一定可靠性的估計判斷叠洗,從而達到對總體的認識

  • 樣本特征體現(xiàn)總體特征
  • 樣本特征與總體特征的偏差在可接受范圍內(nèi)
  1. 隨機抽樣
    1. 簡單隨機抽樣
      • 對總體單位不做任何分類排隊,完全按照隨機原則直接從總體中隨機抽取一部分單位組成樣本的抽樣組織方式
        • 先將總體各單位進行編碼旅东,然后按照隨機原則灭抑,用抽簽法或隨機數(shù)法抽取若干數(shù)碼,所有中選的數(shù)碼對應的單位即構(gòu)成樣本
    2. 分層抽樣
      • 將總體按某個主要標志進行分組抵代,再按隨機原則采用簡單隨機抽樣方式從各組中抽取一定數(shù)目的總體單位組成樣本的抽樣組織方式名挥。
      • 按隨機原則根據(jù)各層中單位數(shù)量占總體單位數(shù)量的比例抽取各層的樣本數(shù)量。
    3. 分層最佳抽樣
      • 指不僅按各層單位數(shù)占總體單位數(shù)的比例分配各層的樣本數(shù)主守,還根據(jù)各層標準差的大小來調(diào)整各層樣本數(shù)目的抽樣方法禀倔。
    4. 系統(tǒng)抽樣
      • 將總體單位按某一標志排序,而后按一定間隔抽取樣本單位的抽樣組織方式参淫。
    5. 整群抽樣
      • 將總體全部單位分為若干“群”救湖,然后隨機抽取一部分“群”,被抽中群體的所有單位進行全面調(diào)查的抽樣組織方式
  2. 非隨機抽樣
    1. 任意抽樣
      • 調(diào)查人員本著隨意性原則去選擇樣本的抽樣方式
        • 簡單涎才、經(jīng)濟
        • 默認個體是相同的
        • 誤差較大
    2. 判斷抽樣
      • 根據(jù)調(diào)查人員的主觀經(jīng)驗從總體樣本中選擇那些被判斷為最能代表總體的單位作樣本的抽樣方法
      • 抽樣依照調(diào)查者個人偏好來選擇樣本
      • 人的因素至關(guān)重要
      • 好的很好鞋既,差的很差,兩極分化
    3. 配額抽樣
      • 指調(diào)查人員將調(diào)查總體樣本按一定標志分類或分層耍铜,確定各類(層)單位的樣本數(shù)額邑闺,在配額內(nèi)任意抽選樣本的抽樣方式
      • 按照一定的標準和比例分配樣本的數(shù)額,然后根據(jù)配額抽取樣本
      • 做法與分層抽樣完全相同棕兼,區(qū)別只在于抽的時候是隨機抽還是非隨機的抽
    4. 滾雪球抽樣
      • 先選擇一組調(diào)查對象陡舅,通常是隨機地選取的。訪問這些被調(diào)查者之后伴挚,再請他們提供另外一些屬于所研究的目標總體的調(diào)查對象靶衍,根據(jù)所提供的線索灾炭,選擇此后的調(diào)查對象。這一過程會繼續(xù)下去颅眶,形成滾雪球的效果
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末蜈出,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子涛酗,更是在濱河造成了極大的恐慌铡原,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件商叹,死亡現(xiàn)場離奇詭異燕刻,居然都是意外死亡,警方通過查閱死者的電腦和手機沈自,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進店門酌儒,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人枯途,你說我怎么就攤上這事忌怎。” “怎么了酪夷?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵榴啸,是天一觀的道長。 經(jīng)常有香客問我晚岭,道長鸥印,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任坦报,我火速辦了婚禮库说,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘片择。我一直安慰自己潜的,他們只是感情好,可當我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布字管。 她就那樣靜靜地躺著啰挪,像睡著了一般。 火紅的嫁衣襯著肌膚如雪嘲叔。 梳的紋絲不亂的頭發(fā)上亡呵,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天,我揣著相機與錄音硫戈,去河邊找鬼锰什。 笑死,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的歇由。 我是一名探鬼主播卵牍,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼果港,長吁一口氣:“原來是場噩夢啊……” “哼沦泌!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起辛掠,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤谢谦,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后萝衩,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體回挽,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年猩谊,在試婚紗的時候發(fā)現(xiàn)自己被綠了千劈。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡牌捷,死狀恐怖墙牌,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情暗甥,我是刑警寧澤喜滨,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布,位于F島的核電站撤防,受9級特大地震影響虽风,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜寄月,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一辜膝、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧漾肮,春花似錦厂抖、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至保檐,卻和暖如春耕蝉,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背夜只。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工垒在, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人扔亥。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓场躯,卻偏偏與公主長得像谈为,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子踢关,可洞房花燭夜當晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內(nèi)容