แบบจำลองมาร์คอฟซ่อนเร้น
| ส่วนหนึ่งของเนื้อหา |
| การเรียนรู้ของเครื่อง และ การทำเหมืองข้อมูล |
|---|
 |
แบบจำลองมาร์คอฟซ่อนเร้น (อังกฤษ: Hidden Markov model (HMM)) เป็นแบบจำลองมาร์คอฟทางสถิติโดยมีสมมติฐานว่าระบบจำลองนั้นเกิดกระบวนการมาร์คอฟกับสถานะที่ยังไม่ได้สังเกตการณ์(ซ่อนอยู่) แบบจำลองมาร์คอฟซ่อนเร้นอาจมองง่ายๆว่าเป็นเครือข่ายแบบเบย์พลวัต นักวิทยาศาสตร์ที่อยู่เบื้องหลังการพัฒนาแบบจำลองนี้คือ ลีโอนาร์ด ดี. เบาม์ นักคณิตศาสตร์ชาวอเมริกันและเพื่อนร่วมงาน[1] แบบจำลองนี้มีความคล้ายคลึงกับปัญหาการกรองไม่เชิงเส้นที่เหมาะที่สุดของรูสลาน แอล. สตราโคโนวิช นักวิทยาศาสตร์ชาวรัสเซีย[2]
ในแบบจำลองมาร์คอฟอย่างง่ายนั้น ผู้สังเกต (observer) จะมองเห็นสถานะ (state) ได้โดยตรง ดังนั้นตัวแปรเดียวที่มีอยู่คือความน่าจะเป็นในการเปลี่ยนสถานะ แต่ในแบบจำลองมาร์คอฟซ่อนเร้น ผู้สังเกตไม่สามารถมองเห็นสถานะได้โดยตรง แต่จะมองเห็นผลลัพธ์ (output) ได้โดยผลลัพธ์ที่ออกมานั้นขึ้นอยู่กับสถานะ แต่ละสถานะก็มีการกระจายความน่าจะเป็นของผลลัพธ์ที่ไม่เหมือนกัน ดังนั้น ลำดับของผลลัพธ์ที่ได้จากแบบจำลองก็จะทำให้เราได้ข้อมูลเกี่ยวกับลำดับของสถานะได้เช่นกัน ทั้งนี้ คำว่า 'ซ่อนเร้น' นั้นหมายถึงลำดับของสถานะที่แบบจำลองผ่านไป ไม่ใช่ตัวแปรของแบบจำลอง แบบจำลองยังถูกเรียกว่าแบบจำลองมาร์คอฟ'ซ่อนเร้น'แม้ว่าตัวแปรเหล่านี้จะทราบแน่ชัดแล้ว
แบบจำลองมาร์คอฟซ่อนเร้นถูกนำไปใช้งานบ่อยครั้งในสาขาการเรียนรู้ของเครื่อง โดยเฉพาะการรู้จำแบบที่มีเวลามาเกี่ยวข้อง ไม่ว่าจะเป็นการรู้จำเสียงพูด การรู้จำลายมือ การรู้จำท่าทาง และชีวสารสนเทศศาสตร์
อ้างอิง[แก้]
- ↑ Baum, L. E.; Petrie, T. (1966). "Statistical Inference for Probabilistic Functions of Finite State Markov Chains". The Annals of Mathematical Statistics. 37 (6): 1554–1563. doi:10.1214/aoms/1177699147. สืบค้นเมื่อ 28 November 2011.
- ↑ Stratonovich, R.L. (1960). "Conditional Markov Processes". Theory of Probability and its Applications. 5 (2): 156–178. doi:10.1137/1105015.