শর্তাধীন রূপান্তর সম্ভাবনা সহ মার্কভ মডেল


10

প্রথমে আমাকে সামনে তুলে ধরতে দাও যে আমি যতটা হতে চাই পরিসংখ্যান এবং গণিতে তেমন পারদর্শী নই। কেউ কেউ বলতে পারে বিপদজনক হওয়ার জন্য পর্যাপ্ত জ্ঞান থাকতে পারে। : আমি যদি পরিভাষাটি সঠিকভাবে ব্যবহার না করি তবে ডিআই ক্ষমা চান।

আমি একটি সিস্টেম থেকে অন্য রাজ্যে রূপান্তরিত হওয়ার সম্ভাবনার মডেল করার চেষ্টা করছি। একটি সাধারণ মার্কভ মডেল একটি ভাল শুরু। (রাজ্যগুলির সেট, প্রাথমিক রাষ্ট্রের সম্ভাবনার সেট, রাজ্যগুলির মধ্যে সংক্রমণের সম্ভাবনার সেট of)

যাইহোক, আমি যে সিস্টেমটি মডেলিং করছি তার চেয়ে জটিল। টি সময়ে একটি রাষ্ট্রের দিকে পরিচালিত করে এমন সংক্রমণের সম্ভাবনাগুলি অবশ্যই টি -১ এ রাষ্ট্র ব্যতীত অন্য চলকগুলির উপর নির্ভরশীল। উদাহরণস্বরূপ, S1 -> এস 2 এর 40% সম্ভাব্যতা থাকতে পারে যখন সূর্যটি জ্বলজ্বল করে তবে এস 1 -> এস 2 সম্ভাবনা 80% এ যায় যখন বৃষ্টি হয়।

মন্তব্যকারীদের প্রশ্ন থেকে অতিরিক্ত তথ্য:

  1. রাজ্যগুলি পর্যবেক্ষণযোগ্য।
  2. কেবল 5-10 টি রাজ্য থাকবে।
  3. বর্তমানে প্রায় 30 টি কোভেরিয়েট রয়েছে যা আমরা তদন্ত করতে চাই, যদিও চূড়ান্ত মডেলটির অবশ্যই এর চেয়ে কম হবে।
  4. কিছু covariates অবিচ্ছিন্ন হয়, অন্যদের স্বতন্ত্র।

তিনটি প্রশ্ন:

  1. আমি কীভাবে আমার মার্কভ মডেলটিতে শর্তসাপেক্ষ ট্রানজিশন সম্ভাবনা যুক্ত করতে পারি?
  2. বা, অন্য কোনও দৃষ্টিভঙ্গি কি পুরোপুরি থেকে আমার এই সমস্যাটির কাছে আসা উচিত?
  3. এছাড়াও, এই সম্পর্কে আরও জানতে আমার কী কীওয়ার্ড / ধারণা অনলাইন অনুসন্ধান করতে হবে?

"শর্তসাপেক্ষ ট্রানজিশন সম্ভাবনাযুক্ত মার্কভ মডেল" এর মতো জিনিসগুলি আমি ইতিমধ্যে ওয়েবে ঘুরেছি, তবে এখনও পর্যন্ত কোনও কিছুই আমাকে মুখে চড় মারেনি এবং বলেছে, "এটি আপনার উত্তর, ডামি!"

আপনার সাহায্য এবং ধৈর্য জন্য আপনাকে ধন্যবাদ।


সাইটে স্বাগতম। রাষ্ট্র স্থান কত বড়? আপনি কি প্রতিটি পদক্ষেপে আপনার প্রক্রিয়াটি রাষ্ট্র পর্যবেক্ষণ করেন? আপনার কাছে কতটি কোভারিয়েট (অতিরিক্ত ভবিষ্যদ্বাণীকারী) রয়েছে? তারা কি অবিচ্ছিন্ন, পৃথক বা সম্ভবত উভয়ের মিশ্রণ?
কার্ডিনাল

ধন্যবাদ, কার্ডিনাল হ্যাঁ, রাজ্যগুলি পর্যবেক্ষণযোগ্য। সম্ভবত 5 থেকে 10 টি রাজ্য থাকবে। (এটি এখনও অনিশ্চিত, তবে আমি একটি বৃহত রাষ্ট্রীয় স্থানের প্রত্যাশা করি না)) এই মুহূর্তে, আমাদের প্রায় 30 টি অতিরিক্ত কোভেরিয়েটের একটি তালিকা রয়েছে যা আমরা তদন্ত করার ইচ্ছা করি, যদিও তাদের বেশিরভাগেরই সম্ভবত খুব কম প্রভাব পড়ে। কিছু অবিচ্ছিন্ন, এবং কিছু বিযুক্ত।
অ্যারন জনসন

উত্তর:


5

আপনার কাছে সর্বদা ২ য় অর্ডার বা উচ্চতর অর্ডার মার্কভ চেইন থাকতে পারে। সেক্ষেত্রে আপনার প্রস্তুত সমস্ত মডেল এতে সমস্ত সম্ভাব্য স্থানান্তর তথ্য অন্তর্ভুক্ত করে। আপনি ডায়নামিক বায়েশিয়ান নেটওয়ার্কগুলি যা মার্কোভ চেইনের গ্রাফিক্যাল মডেল জেনারালাইজেশন যা মেশিন লার্নিংয়ে প্রায়শই ব্যবহৃত হয় তা পরীক্ষা করতে পারেন ।


ওয়াইবিই, দ্রুত উত্তর দেওয়ার জন্য ধন্যবাদ! এটি (সিস্টেমটিকে ২ য় অর্ডার বা উচ্চতর চেইন হিসাবে মডেলিং করা) কি আমাকে অবিচ্ছিন্ন covariates, বা কেবল বিচ্ছিন্ন covariates মডেল করতে দেয়? এবং আপনি কি আমাকে এমন লিঙ্কে নির্দেশ করতে পারেন যা আপনি যা বলছেন তার একটি ভাল উদাহরণ দেয়? ধন্যবাদ!
অ্যারন জনসন

আপনি যা পরীক্ষা করতে পারেন একটি কাগজ আছে। এটি প্রথমে 1 ম অর্ডার চেইনগুলি বর্ণনা করা শুরু করে, তারপরে উচ্চতর অর্ডার চেইনের পরিস্থিতি বর্ণনা করে। (উচ্চ-অর্ডার মাল্টিভারিয়েট মার্কোভ চেইন এবং চিং, এনজি, ফুং দ্বারা তাদের অ্যাপ্লিকেশন) আপনি যদি মেশিন লার্নিং ধরণের জিনিসগুলিতে আগ্রহী হন তবে আমি আপনাকে কেভিন মারফি ওয়েবসাইটটি পরীক্ষা করার পরামর্শ দিই। তার সাথে একটি ম্যাটল্যাব সরঞ্জামবাক্স রয়েছে যা আপনি খেলতে পারেন।
YBE

চিং, এনজি এবং ফুং কাগজের উল্লেখের জন্য আপনার উত্তরটির জন্য +1 করুন। এটি একটি ভাল এক। যাইহোক, এটি পড়ার পরে এটি প্রদর্শিত হয় যে এটি কেবল বিচ্ছিন্ন পরিবর্তনশীলগুলি কভার করে (যা আমি প্রত্যাশিত ধরণের। ভেরিয়েবল?
অ্যারন জনসন

আমি কোনও বিশেষজ্ঞ নই, তবে আমার ধারণা, সাধারণভাবে ধারাবাহিক ক্ষেত্রে ফলাফলগুলি হওয়া উচিত। উদাহরণস্বরূপ কালম্যান ফিল্টার অবিচ্ছিন্ন রাজ্যগুলির সাথে এইচএমএম (1 ম অর্ডার মার্কভ চেইন) এ চলে।
YBE

আমি তত্ক্ষণাত আপনার উত্তরটি গ্রহণ করিনি কারণ আমি আরও প্রার্থীদের জন্য অপেক্ষা করছিলাম। তারা কখনও আসেনি, এবং আমি এটি সম্পর্কে ভুলে গেছি। দুই বছর পরে, আমি এখন আপনার উত্তর গ্রহণ করে আপনাকে পুরষ্কার। তথ্যের জন্য ধন্যবাদ! যাইহোক, গত দুই বছরে আপনি কি এই বিষয়টিতে অন্য কোনও বিষয় এসেছেন? এটি এখনও এমন কিছু যা আমি আগ্রহী
অ্যারন জনসন

2

আমি বিশ্বাস করি আপনি যা খুঁজছেন তা হ'ল ম্যাক্সেন্ট মার্কভ মডেল

অথবা আপনি ম্যাক্সেন্ট মার্কভ মডেলগুলির সাধারণীকরণ (যদি আমি এটি সঠিকভাবে বুঝতে পারি) ব্যবহার করতে পারি, যাকে শর্তসাপেক্ষ র্যান্ডম ফিল্ডস বলা হয় ।


0

আমি নিজেই একই প্রশ্নটি জিজ্ঞাসা করছিলাম এবং যদি আপনার এবং কোভারিয়েটগুলিতে রাজ্যের উপর ভিত্তি করে ফলাফলের মডেল করা দরকার তবে আপনি প্যাকেজটি আর সহায়ক হিসাবে খুঁজে পেতে পারেন ।T1

এই প্যাকেজটি সময়ের সাথে শ্রেণিবদ্ধ ফলাফলের মধ্যে রূপান্তরগুলিতে কোভেরিয়েটের প্রভাবগুলির মডেলিংয়ের জন্য বেশ ভাল ফিট বলে মনে হচ্ছে। আপনার যদি সত্যিই উচ্চতর অর্ডার শৃঙ্খলার প্রয়োজন হয় তবে এটি সাহায্য করবে না, তবে এটি আপনার আসল প্রশ্নের উপর ভিত্তি করে কেস বলে মনে হচ্ছে না।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.