假設我想預測一個人是class1=healthy
還是class2= fever
。我有一個具有以下域的數據集:{normal,cold,dizzy}
瞭解如何構建高階馬爾可夫鏈
轉換矩陣將包含從我們的訓練數據集中生成的轉換概率,而初始向量將包含人從一個狀態開始的概率(day1)域{normal,cold,dizzy}
,這也是從我們的訓練集中生成的。
如果我想建立一階馬爾科夫鏈,我會產生3×3的轉換矩陣和每類像這樣一個1×3初始向量:
> TransitionMatrix
normal cold dizzy
normal NA NA NA
cold NA NA NA
dizzy NA NA NA
>Initial Vector
normal cold dizzy
[1,] NA NA NA
的NA將充滿相應概率。
1-我的問題是關於高階鏈中的轉移矩陣。例如,在二階MC我們將有大小domain²xdomain²
的像這樣的過渡矩陣:
normal->normal normal->cold normal->dizzy cold->normal cold->cold cold->dizzy dizzy->normal dizzy->cold dizzy->dizzy
normal->normal NA NA NA NA NA NA NA NA NA
normal->cold NA NA NA NA NA NA NA NA NA
normal->dizzy NA NA NA NA NA NA NA NA NA
cold->normal NA NA NA NA NA NA NA NA NA
cold->cold NA NA NA NA NA NA NA NA NA
cold->dizzy NA NA NA NA NA NA NA NA NA
dizzy->normal NA NA NA NA NA NA NA NA NA
dizzy->cold NA NA NA NA NA NA NA NA NA
dizzy->dizzy NA NA NA NA NA NA NA NA NA
這裏小區(1,1)
代表如下序列:normal->normal->normal->normal
或它將代替只是domain²xdomain
像這樣:
normal cold dizzy
normal->normal NA NA NA
normal->cold NA NA NA
normal->dizzy NA NA NA
cold->normal NA NA NA
cold->cold NA NA NA
cold->dizzy NA NA NA
dizzy->normal NA NA NA
dizzy->cold NA NA NA
dizzy->dizzy NA NA NA
這裏小區(1,1)
表示normal->normal->normal
其是從之前的表示不同
2-2是什麼,我們需要有關程度的MC的初始向量大小1xdomain
的,像這樣兩個初始向量:
normal cold dizzy
[1,] NA NA NA
導致每班兩個初始向量。第一個給出healthy/fever
類的第一天發生{normal,cold,dizzy}
的概率,而第二個給出healthy/fever
第二天發生的概率。這會給出4個初始向量。
或想我們只需要大小1xdomain²
的一個初始向量像這樣:
normal->normal normal->cold normal->dizzy cold->normal cold->cold cold->dizzy dizzy->normal dizzy->cold dizzy->dizzy
[1,] NA NA NA NA NA NA NA NA NA
我可以看到代表初始向量是在案件問題的第二種方式如何,我們希望只觀察分類一個國家。
對於第二個假設我有一個觀察只有一個狀態說'正常'。我將如何從初始分配中檢索?我應該總結所有這些'正常 - >正常正常 - >冷常態 - >頭暈'(不知道我是否足夠清楚這個問題) – Imlerith
@Imlerith如果IIUC你的問題,它是如何計算邊際分佈從聯合分銷。這是[衆所周知](http://stats.stackexchange.com/questions/54472/given-a-table-defining-the-joint-probabilities-how-do-i-calculate-certain-param)。 –
我目前正在學習更高級的馬爾可夫鏈,你有什麼好的文獻來推薦?我很難找到它。我主要在網上找到powerpoints,但沒有任何參考。我感興趣的是如何轉換矩陣將是一個吸收高階馬爾可夫鏈。意味着一旦鏈條進入鏈條,一個或多個狀態就不可能離開。 謝謝:) – TKN