কোনও লুকানো মার্কোভ মডেলটিতে রূপান্তর সম্ভাবনার জন্য কিছু প্রাথমিক মান দেওয়ার সুবিধা কী? অবশেষে সিস্টেম সেগুলি শিখবে, তাই এলোমেলো মানগুলি বাদ দিয়ে অন্য মান দেওয়ার কী দরকার? অন্তর্নিহিত অ্যালগরিদম বাউম-ওয়েলচের মতো কোনও পার্থক্য আনতে পারে?
আমি যদি শুরুতে খুব সংক্ষিপ্ততার সাথে সংক্রমণের সম্ভাবনাগুলি জানি, এবং আমার মূল উদ্দেশ্যটি লুকানো অবস্থা থেকে পর্যবেক্ষণে আউটপুট সম্ভাবনার পূর্বাভাস দেওয়া, আপনি আমাকে কী পরামর্শ দিবেন?
উত্তর:
সর্বাধিক সম্ভাবনার অনুমানকারী গণনা করার জন্য বাউম-ওয়েলচ একটি অপ্টিমাইজেশন অ্যালগরিদম। লুকানো মার্কোভ মডেলগুলির জন্য সম্ভাবনার পৃষ্ঠটি বেশ কুৎসিত হতে পারে এবং এটি অবশ্যই অবতল নয়। ভাল শুরু করার পয়েন্টগুলির সাথে অ্যালগরিদম দ্রুত এবং এমএলইয়ের দিকে রূপান্তর করতে পারে।
আপনি যদি ইতিমধ্যে সংক্রমণের সম্ভাব্যতাগুলি জানেন এবং ভিটরবি অ্যালগরিদমের দ্বারা লুকানো রাজ্যগুলির পূর্বাভাস দিতে চান তবে আপনার এই সংক্রমণের সম্ভাবনা দরকার। আপনি যদি তাদের ইতিমধ্যে জানেন তবে তাদের বাউম-ওয়েলচ ব্যবহার করে পুনর্নির্মাণ করার দরকার নেই। পূর্বাভাসের তুলনায় পুনঃ-অনুমান গণনামূলকভাবে আরও ব্যয়বহুল।
এইচএমএমের প্রাথমিক প্রাক্কলন সম্পর্কিত কিছু উপকরণ দেওয়া হয়েছে
আপনি মতলব / অষ্টাভের জন্য সম্ভাব্য মডেলিং টুলকিটটিও দেখতে পারেন , বিশেষত hmmFitEm ফাংশন যেখানে আপনি নিজের মডেলটির প্রাথমিক প্যারামিটার সরবরাহ করতে পারেন বা কেবল ('nrandomRestarts' বিকল্প) ব্যবহার করতে পারেন। 'NrandomRestarts' ব্যবহার করার সময়, প্রথম মডেল (init পদক্ষেপে) ব্যবহার করে:
দ্বিতীয়, তৃতীয় মডেল ... (ডিআই পদক্ষেপে) এলোমেলোভাবে সূচনা পরামিতি ব্যবহার করে এবং ফলস্বরূপ বেশিরভাগ কম লগ সম্ভাবনার মানগুলির সাথে আরও ধীরে ধীরে রূপান্তরিত হয়।