隐马尔可夫模型是哪种机器学习算法？

#1 楼

我很想回答“无”或“分类和聚类”。

为什么“无”？因为HMM与支持向量机或k均值不在同一个包中。

支持向量机或k均值是专门为解决问题而设计的（第一种情况是分类，第二种是聚类），并且的确只是一种优化程序，可最大限度地提高“分类的预期优势”或“聚类优势”标准。美在于准则的选择和优化程序。 HMM本身不是算法。它们是向量序列上的一种特定概率分布-我们知道良好的参数估计和边际分布计算算法。但是，问他们是否属于“集群”或“分类”家族，与问高斯分布是有监督的学习还是无监督的学习一样荒谬。

为什么“分类和聚类”？由于以下原因：作为概率分布，HMM可用于贝叶斯框架中的分类；并且由于模型具有隐藏状态，因此可以从其参数中恢复训练数据的一些潜在聚类。更准确地说：

HMM可用于分类。这是贝叶斯分类框架的直接应用，HMM用作描述数据的概率模型。例如，您有一个大型的数字发音数据库（“一个”，“两个”等），并且想要构建一个能够对未知发音进行分类的系统。对于训练数据中的每个班级（“一个”，“两个”），您估计描述该班级训练序列的HMM模型的参数-最终得到10个模型。然后，要进行识别，请计算10个模型可能性分数（表示模型识别出您想要识别的序列的可能性），分数最高的模型为您提供数字。在HMM的Rabiner教程中，训练阶段为“问题3”，分类阶段是“问题2”。

HMM也可以以无监督的方式使用，以实现类似于聚类的功能。给定序列，您可以在其上训练$ k $状态的HMM，在训练过程的最后，对您的序列运行Viterbi算法，以获取与每个输入向量相关联的最有可能的状态（或在训练过程中从$ \ gamma $中拉出该状态）。您的输入序列进入$ k $类，但与通过运行d获得的输入序列不同通过k均值，您的聚类在时间轴上是均匀的。例如，您可以提取视频序列每一帧的颜色直方图，在该序列上运行此过程，最后将视频分解为与场景相对应的同质时间段（不实际的位是您必须预先设置场景数量$ k $）。此技术通常用于视频或音乐的自动，无人监督的结构分析。

#2 楼

首先，让我们看一下三个选项：




分类：标识数据属于一组预定义类的哪个类。

聚类：学习数据所属的一组类。

回归：查找变量与一个或多个变量之间的关系。

维基百科上的HMM描述如下表：



，因此状态（类）的数目是固定的。

这意味着该算法不会尝试找出类别（状态）的数目-因此它不是开放式集群（状态数未知）。

但是，正如@nikie指出的那样，HMM会进行集群。

没有确实是一个自变量（因为存在于回归上下文中）---所以它不是回归。

所以我的回答是HMM是分类和聚类算法，我不认为它是一个回归。