Каковы преимущества придания определенных начальных значений вероятностям перехода в скрытой марковской модели? В конце концов система изучит их, так какой смысл давать значения, отличные от случайных? Имеет ли базовый алгоритм такую разницу, как Баум-Уэлч?
Если бы я очень точно знал вероятности перехода в начале, и моя главная цель - предсказать вероятности выхода из скрытого состояния в наблюдения, что бы вы мне посоветовали?
Baum-Welch - это алгоритм оптимизации для вычисления оценки максимального правдоподобия. Для скрытых марковских моделей поверхность правдоподобия может быть довольно уродливой и, конечно, не вогнутой. При хороших начальных точках алгоритм может сходиться быстрее и в сторону MLE.
Если вы уже знаете вероятности перехода и хотите предсказать скрытые состояния с помощью алгоритма Витерби, вам нужны вероятности перехода. Если вы уже знаете их, нет необходимости переоценивать их с помощью Baum-Welch. Переоценка в вычислительном отношении дороже, чем прогноз.
Некоторые материалы, касающиеся начальных оценок HMM, приведены в
Вы также можете взглянуть на инструментарий вероятностного моделирования для Matlab / Octave , особенно функцию hmmFitEm, где вы можете указать свой собственный начальный параметр модели или просто использовать (опция 'nrandomRestarts'). При использовании nrandomRestarts первая модель (на этапе инициализации) использует:
вторая, третья модели ... (на этапе инициализации) используют случайно инициализированные параметры и, как результат, сходятся медленнее, в основном с более низкими значениями логарифмического правдоподобия.