লুকানো মার্কভ মডেলগুলিতে (এইচএমএম) অনুমানের জন্য ফরোয়ার্ড-পশ্চাদপদ অ্যালগরিদম এবং ভিটারবি অ্যালগরিদমের মধ্যে পার্থক্য কী তা জানতে চাই ।
লুকানো মার্কভ মডেলগুলিতে (এইচএমএম) অনুমানের জন্য ফরোয়ার্ড-পশ্চাদপদ অ্যালগরিদম এবং ভিটারবি অ্যালগরিদমের মধ্যে পার্থক্য কী তা জানতে চাই ।
উত্তর:
প্রথমে কিছুটা ব্যাকগ্রাউন্ড হতে পারে এটি কিছুটা পরিষ্কার করে দেয়।
এইচএমএমগুলি (লুকানো মার্কভ মডেলস) সম্পর্কে কথা বলার সময় সাধারণত 3 টি সমস্যা বিবেচনা করা উচিত:
মূল্যায়ন সমস্যা
ডিকোডিংয়ের সমস্যা
প্রশিক্ষণ সমস্যা
এটির সংক্ষেপে, আপনি যখন সিকোয়েন্সের সেটগুলিতে আপনার মডেলটিকে প্রশিক্ষণ দেন তখন ডিকোডিং সমস্যার জন্য ভিটર્বি অ্যালগরিদম এবং বাউম ওয়েলচ / ফরোয়ার্ড-পিছিয়ে ব্যবহার করেন।
বাউম ওয়েলচ নিম্নলিখিত উপায়ে কাজ করে।
সিকোয়েন্স প্রশিক্ষণ সেট প্রতিটি অনুক্রমের জন্য।
আপনার যদি ভিটারবি ডিকোডিংয়ের জন্য সমীকরণগুলির একটি সম্পূর্ণ বিবরণ এবং প্রশিক্ষণের অ্যালগরিদম প্রয়োজন হয় তবে আমাকে জানতে দিন এবং আমি আপনাকে সঠিক দিকে নির্দেশ করতে পারি।
ফরোয়ার্ড-পশ্চাৎ প্রতিটি পৃথক রাষ্ট্রের জন্য প্রান্তিক সম্ভাবনা দেয় , ভিটার্বি সম্ভবত রাজ্যের সর্বাধিক সম্ভাব্য ক্রমের সম্ভাবনা দেয় । উদাহরণস্বরূপ যদি আপনার এইচএমএম টাস্কটি প্রতিটি দিনের জন্য রৌদ্র্য বনাম বৃষ্টিপাতের আবহাওয়ার পূর্বাভাস দেয় তবে ফরোয়ার্ড ব্যাকওয়ার্ড আপনাকে প্রতিটি দিনের "রৌদ্র" হওয়ার সম্ভাবনাটি বলে দিবে, ভিটার্বি সম্ভবত রোদ / বৃষ্টির দিনগুলির সিকোয়েন্সটি দিবে এবং এই ক্রম সম্ভাবনা।
এইচএমএম-র সাথে ব্যবহৃত অন্যান্য সমস্ত সাধারণ অ্যালগরিদমের মধ্যে ফরোয়ার্ড-পশ্চাদপদ এবং ভিটર્বি অ্যালগরিদমগুলির সন্ধান করতে আমি সত্যিই ভাল} 2 from থেকে এই দুটি স্লাইডগুলি পেয়েছি:
নোট:
তথ্যসূত্র:
মোরাটের উত্তর এক বিন্দুতে মিথ্যা: বাউম-ওয়েলচ একটি প্রত্যাশা-ম্যাক্সিমাইজেশন অ্যালগরিদম, যা এইচএমএমের প্যারামিটারগুলি প্রশিক্ষণের জন্য ব্যবহৃত হয়। এটি প্রতিটি পুনরাবৃত্তির সময় ফরোয়ার্ড-ব্যাকওয়ার্ড অ্যালগরিদম ব্যবহার করে। ফরোয়ার্ড-ব্যাকওয়ার্ড অ্যালগরিদম সত্যিই কেবল সামনের ও পিছনের অ্যালগরিদমের সংমিশ্রণ: একটি ফরোয়ার্ড পাস, একটি পশ্চাৎ পাস। নিজস্বভাবে, এইচএমএমের প্যারামিটারগুলি প্রশিক্ষণের জন্য ফরোয়ার্ড-ব্যাকওয়ার্ড অ্যালগরিদম ব্যবহার করা হয় না, তবে কেবল স্মুথিংয়ের জন্য: রাজ্যগুলির ক্রমগুলির প্রান্তিক সম্ভাবনাগুলি গণনা করা।
https://en.wikipedia.org/wiki/Forward%E2%80%93backward_algorithm
@ ইয়ারোস্লাভ বুলাটোভের একটি সুনির্দিষ্ট উত্তর ছিল। ফরোয়ার্ড-ব্যাকওয়ার্ড এবং ভিটারবি অ্যালগোরিদমের মধ্যে পার্থক্য বলতে আমি এর একটি উদাহরণ যুক্ত করব।
মনে করুন আমাদের একটি এইচএমএম আছে (উইকিপিডিয়া এইচএমএম পৃষ্ঠা থেকে)। দ্রষ্টব্য, মডেলটি ইতিমধ্যে দেওয়া হয়েছে, সুতরাং এখানে ডেটা টাস্ক থেকে কোনও শিক্ষা নেই।
মনে করুন আমাদের ডেটা দৈর্ঘ্য 4 সিকোয়েন্স। (Walk, Shop, Walk, Clean)
। দুটি অ্যালগরিদম বিভিন্ন জিনিস দেবে।
Sunny
Rainy
এখানে R
ডেমোটির জন্য কিছু কোড রয়েছে
library(HMM)
# in education setting,
# hidden state: Rainy and Sunny
# observation: Walk, Shop, Clean
# state transition
P <- as.matrix(rbind(c(0.7,0.3),
c(0.4,0.6)))
# emission prob
R <- as.matrix(rbind(c(0.1, 0.4, 0.5),
c(0.6,0.3, 0.1)))
hmm = initHMM(States=c("Rainy","Sunny"),
Symbols=c("Walk","Shop", "Clean"),
startProbs=c(0.6,0.4),
transProbs=P,
emissionProbs=R)
hmm
obs=c("Walk","Shop","Walk", "Clean")
print(posterior(hmm,obs))
print(viterbi(hmm, obs))