markov-chains

1熱度

2回答

我有一個馬爾可夫鏈下面的代碼： simulation.mc=function(i0,P,n.sim){ S=1:nrow(P) X=rep(0,n.sim) X[1]=i0 for (n in 2:n.sim){ X[n]=sample(x=S,size=1,prob=P[X[n-1],]) } return(X) } P=matrix( c( 0,1/

0熱度

1回答

無法在Matlab中映射矩陣

我有這個2-D馬爾可夫鏈的3x3方程組。我想映射這個矩陣的係數，看起來像這個具有那些零係數的9x9矩陣，但我不知道如何繼續。任何幫助？ [ 5*P11 - 2*P12 - 2*P21, 7*P12 - 5*P11 - 4*P13 - 2*P22, 9*P13 - 5*P12 - 2*P23] [ 7*P21 - 2*P22 - 4*P31, 9*P22 - 5*P21 - 4*P23 - 4

2熱度

1回答

創建三狀態馬爾可夫鏈圖

我有以下數據框與狀態：生氣，冷靜，並且很累。下面的數據框提供了一個狀態轉換到另一個狀態的個案。 pre<-cbind(c(rep("tired",100),rep("angry",100),rep("calm",100))) post<-cbind(c(rep("tired",50),rep("angry",70),rep("calm",100),rep("tired",80))) df<-c

0熱度

2回答

比例在馬爾科夫鏈加起來還不到1

我有以下兩種狀態馬爾可夫鏈： pre<-cbind(c(rep("rain",100),rep("sun",100),rep("rain",100))) post<-cbind(c(rep("rain",50),rep("sun",70),rep("rain",100),rep("sun",80))) df<-cbind(pre,post) df<-as.data.frame(df) co

0熱度

1回答

如何在excel vba中讀取矩陣？

我想讀取和存儲來自4 * 4矩陣（2維數組）的值，並將其用於我的進一步程序中。我正在談論Excel的VBA。數據在Excel工作表中，我想通過VBA讀取它。我對此很陌生，但學得很快。請幫我做。這是我在片數據 b 6分配8 7 的C 3 6 9 這就是我想要做一個0 2 7 13 b 0 6 14 21 c 0 3 9 18 我需要從表中讀取3 * 3矩陣並將其轉換爲累積矩陣，如圖所示。（添加

1熱度

1回答

馬爾可夫鏈：可重複使用的R函數以n時間步長顯示狀態值？

我有這個簡單的馬爾可夫鏈： library(markovchain) mcSIR <- new("markovchain", states=c("S","I","R"), transitionMatrix=matrix(data=c(0.9,0.1,0,0,0.8,0.2,0,0,1), byrow=TRUE, nrow=3), name="SIR") is <- c(99

0熱度

1回答

計算從s1：s400到sn中的大馬爾可夫轉換矩陣的概率需要永久

我成功實現了以下任務，但我只是將它用於小型測試數據集。對於我的真實數據集，它只是不斷計算。我在R中有一個400x400的轉換概率矩陣。如果用戶在馬爾可夫步行上轉換，用戶點擊「轉換」。所有用戶的吸收狀態爲「空」。「開始」是我的開始狀態。兩件事情我需要計算：命中狀態s_j上隨機遊走在「開始」開始命中「轉換」上在每個397個其他國家開始隨機遊走第一個是容易R： v <- numeric(le

2熱度

1回答

如何只使用markovchain在r

上繪製某些最小閾值以上的邊緣我有一個很大的轉換矩陣，我想繪製一個r圖。我所選擇的馬爾可夫鏈包來完成，這允許我把這種矩陣變換爲馬爾可夫鏈對象，然後如下繪製它： library(markovchain) tMat = matrix(c(0,.2,.7,.1,.3,.4,.3,.1,.4,.5),3,3) mc = new("markovchain",transitionMatrix = tMat) p

1熱度

2回答

使用具有多個返回值和有序字典的多處理

我想使用多處理來生成馬爾可夫鏈的轉換矩陣。功能generateKeys()生成一個新的費率字典和一個字典，在轉換後，狀態空間中每個狀態都有新的密鑰。 from collections import OrderedDict def generateKeys(): idxDict = OrderedDict() rateDict = OrderedDict() fo

0熱度

2回答

馬爾可夫決策過程：導致不同狀態的相同行動

上週我讀過一篇文章，建議將MDP作爲推薦系統的替代解決方案，該論文的核心是用MDP表示推薦過程，即州，行爲，轉換概率，獎勵功能等。如果我們爲簡單起見假設單用戶系統，則狀態看起來像k元組(x1, x2, .. , xk)，其中最後一個元素xk表示用戶購買的最後一個項目。例如，假設我們當前的狀態爲(x1, x2, x3)，這意味着用戶按時間順序購買x1，然後x2，然後x3。現在，如果他購買x4，