蓝羽飞鸟的博客

本文详解paper “A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现）**为方便代码，注释部分用python的”#"实现HMM模型用于简单的曲线分类先定义HMM变量曲线在T个时刻取值observation定义为曲线可以取的值，这里先把曲线做归一化，然后从0到1之间以0.1为间隔切为10个区间，依次标号1到10，那么observation就有10个，为1到10的

本文详解paper "A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现）Problem 3调整参数使在模型下观测序列概率最大目前没有方法分析是观测序列概率最大的方法，只有迭代法逐步逼近局部最大值，如Baum-Welch法，即EM迭代更新HMM模型中的变量t时刻在state Si, t+1时刻在Sj, 给出model和观测序列O下的概率代入前面的forwa

本文详解paper "A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现，不实现problem2）Problem 2给出observation序列，模型lambda=(A,B,pi), 选择state序列Q=q1q2…qT即探索隐性状态问题在于如何定义最佳state，即最佳的标准定义变量即给出模型和观测序列，估计出t时刻state为Si的概率用problem

本文详解paper "A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现）举个简单的HMM例子天气：状态转移矩阵A size:state*state：问接下来的7天天气依次是”sun sun rain rain…”的概率，也就是说observationO = {S3, S3, S3, S1, S1, S3, S2, S3}的概率，对应时间t=1~8给定mod

用小数据集测试catboost，并画出ROC曲线数据集用CSV首先import需要的库import pandas as pdimport numpy as npfrom catboost import CatBoostClassifier,CatBoostRegressor,Poolfrom sklearn.metrics import roc_curve, aucimport matplotlib.pyplot as pltpandas读入csv去掉标题的第一行obj=pd.r