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