本文主要是介绍机器学习-概率图模型：隐马尔可夫模型（HMM）【解决序列问题】【前提假设：隐层状态序列符合马尔可夫性、观测序列的各观测值相互独立】【被RNN等神经网络模型取代】【生成模型：对联合概率建模】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、概述
隐马尔科夫模型（Hidden Markov Model，以下简称HMM）是比较经典的机器学习模型了，HMM是解决序列（时间序列、状态序列）问题的模型。在语言识别，自然语言处理，模式识别等领域得到广泛的应用。
当然，随着目前深度学习的崛起，尤其是RNN，LSTM等神经网络序列模型的火热，HMM的地位有所下降。
但是作为一个经典的模型，学习HMM的模型和对应算法，对我们解决问题建模的能力提高以及算法思路的拓展还是很好的。
1、什么样的问题需要HMM模型
首先我们来看看什么样的问题解决可以用HMM模型。使用HMM模型时我们的问题一般有这两个特征：
- 我们的问题是基于序列的，比如时间序列，或者状态序列。
- 我们的问题中有两类数据，一类序列数据是可以观测到的，即观测序列；而另一类数据是不能观察到的，即隐藏状态序列，简称状态序列。
有了这两个特征，那么这个问题一般可以用HMM模型来尝试解决。
这样的问题在实际生活中是很多的。比如
这篇关于机器学习-概率图模型：隐马尔可夫模型（HMM）【解决序列问题】【前提假设：隐层状态序列符合马尔可夫性、观测序列的各观测值相互独立】【被RNN等神经网络模型取代】【生成模型：对联合概率建模】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
