概率图模型（HMM）
开篇
拖了很久，现在补上概率图的几个模型，陆续补上这部分的内容。概率算是机器学习里面比较抽象和难以理解的模型，它很多时候被应用在自然语言上的一些基本，想是词性标注，命名实体。
概率图模型，知乎上的一个博客，文章里面有不少数学符号有问题，但是整体框架还是很清晰，大家可以扫一下，不要刻意去抠细节。
有向图模型
HMM的定义
有向图里面一个经典的模型，隐马尔科模型，序列标注和中文分词的常见模型，当然它还被应用到声音识别。还是先看一下HMM的图，有个感性的认识
首先还是稍微提一下马尔科夫模型，这边也算填上我之前挖的坑，HMM是带隐变量的马尔科夫模型。
下面将是我的手写图片+文字描述，希望大家喜欢。
首先讲一下什么是马尔科夫模型，主要就是一个状态转移链，也就是上图中上面的一条状态链（i1->i4),并且每一个状态的产生概率只与前面的一个状态有关，这就是马尔科夫性假设。那么什么是隐马尔科夫模型，其实就如图所示，i状态我们看不到，也就是所谓的隐变量，也是我们的隐状态。那么图中的o又是什么呢，o就是我们能够观察到的状态。
举个简单的例子，我们有n个不同的硬币，但是硬币都只有正反两个面（抛出正面的概率各不相同），我们抛了k次硬币，这k次我们不知道都是那些硬币，也就是我们的隐状态，我们能够观测到的就是k次，每次硬币的正反结果，也就是我们的观测状态。当然n个硬币之间是有一定的转移概率的，比如说，我们第一个抛的是一号硬币，下面可能抛的是n个硬币中的任何一个（假设是均匀分布的），这就是我们的转移概率。如果你还是没有懂的话，请给我留言。
下面看我们隐马尔科夫的两个假设：
这边是不是有点熟悉，第一个假设是不是很像我们n元语言模型里面的一元语言模型，其实语言模型里面就是利用了马尔科夫假设。记住上面的两个状态转移公式，它是隐马尔可夫的三要素其中的两个。OK，下面正式介绍一下隐马尔科夫的三要素，我先用通俗的语言稍微描述一下，我描述的主要是观测序列的生成过程，统计学习方法上有算法形式，大家可以参考一下，描述完我们再上我们的数学定义。
还是硬币的例子，我们要重现一个隐马尔可夫模型，首先要做的就是从n个硬币中选择第一个硬币。怎么选择，这是有一定的概率分布的（第一个要素），也就是我们的pi（打不出那个符号，将就一下），我们这边例子假设的是均匀分布的，每个硬币被选中的概率都是1/n，然后就是隐藏状态的转移概率，我们这边依旧是一个均匀分布（第二个要素），我们每获得一个隐藏状态（也就是我们的硬币），我们就要抛掷，我们假设是每一个硬币抛出正面的概率都不一样的，这样每一个硬币又有自己的概率分布（第三个要素），抛出的正反面的结果就是我们观测到的序列。
ok，下面我们看看它的数学表现形式：
李老师这里面描述的应该是非常清楚的。
隐马尔科夫的三个基本问题
这边牵扯到几个算法，有些可能比较麻烦，我会先放上简单的介绍，有机会专门放上单独的介绍博客。
我们先看一下第一个问题的基本应用，声音识别的应用，我们有一个声音识别的模型，我们观测到的结果就是我们识别模型下最大概率的那个o，我们可以计算所有候选的观测结果，计算每一个的概率，选择概率最大的那个作为我们识别的结果。
第二个基本问题就是我们有了识别的结果（观测序列），我们要计算这个识别模型。这个也是我们最麻烦的一种问题，传统的解法就是EM算法。
第三个问题就是我们经典的标注问题，大家想一想词性标注的应用就知道了，词性就是我们的隐状态，我们看到的自然语言就是我们的观测序列。
第一个基本问题
这边基本就是列举出全部的观测序列然后计算概率（复杂度很高）
先放一张关于前向和后向算法，这边符号有点不一样，大家应该能够理解
前向算法
前向算法是联合概率
后向算法
后向算法是条件概率
补充一些概率
第二个基本问题
关于EM算法我会另行再做补充
第三个基本问题
HMM的缺陷
正如宏毅大佬讲的，HMM会产生一定的脑补，这也是生成模型的特色，当数据量比较小的时候，那么它的效果就会比较好，但是数据量比较大的时候，效果优势就会慢慢消失
先看一个例子，说明一下它的脑补状况
它计算出来我们训练集中没有的案例。，绿色的那个。为什么会出现这种状况呢，隐状态的转移概率和隐状态转观测值概率是假设独立的。那么怎么改善这种状况呢，一般是使用CRF。