它和嗯有什么区别？概率模型和条件随机场1、概率模型机器学习中的许多模型按概率分布的形式可分为生成模型和判别模型等。判别模型基于条件概率分布P(Y|X)的建模，如最大熵模型，条件随机场等。
probability模型和条件随机场1、概率模型机器学习中的many模型按照概率分布的形式可以分为生成-1和判别-1。判别模型基于条件概率分布P(Y|X)的建模，如最大熵模型，条件随机场等。这些数模型之间有一定的关系，它们的关系如下:其中，NB代表朴素贝叶斯，ME代表最大熵，HMM代表隐马尔可夫，CRF代表条件随机场。
Singleclass输出单个类别，sequence输出一个序列。例如，朴素贝叶斯可以将输出Y展开成一个序列(y1，y2，...yn)，然后构造一个HMM基于它；当输入条件满足时，HMM可以扩展到CRF。其中，朴素贝叶斯假设最强，因为它要求所有输入特征相互独立，如p (y | x1，x2，...，xn)∏I1np(y | Xi)；这是为了计算方便而做出的近似假设。但是现实中模型的输入特征之间基本没有独立性，所以用朴素贝叶斯建模一般会损失准确性。
在语音识别中，HMM的每个状态可以对应多帧观测值，观测值的分布不是离散的，而是连续的，适合用GMM建模。HMM模块负责建立状态间的转移概率分布，而GMM模块负责生成HMM的观测概率。模型自适应:由于口音、采集设备、环境噪声等音素的差异，训练出来的GMMHMM可能与新领域的测试数据不匹配，导致识别效果不佳，因此需要进行自适应训练。
MLLR(最大似然线性回归):算法的核心思想是对原模型进行线性变换后识别。它的优点是，只要得到线性变换矩阵，就可以用少量的语音对所有模型进行自适应训练。每个音素(或三音素)由HMM建模，并且每个HMM状态的发射概率对应于一个GMM。GMMHMM的目的是找出每一帧属于哪个音素，属于哪个状态。
3、关于隐马尔可夫 模型(HMM我用过HMM，但只用于语音识别。我来给大家讲讲在语音识别领域。我没怎么看过UMDHMM。HMM的相关代码是我自己写的。HMM中涉及的是“观察值”和“隐藏状态”你说的“观察状态”，应该是指“观察值”。对于第一个问题，根据描述，1和2应该是“隐藏状态”的意思。假设某个语音单元代表的最佳状态是56(不考虑非发散状态)；
4、如何用简单易懂的例子解释隐马尔可夫 模型?1。看不见的，破解骰子序列。这里我说的是解决最大似然路径问题的第一种方案。比如我知道我有三个骰子，六个骰子，四个骰子，八个骰子。我也知道十掷的结果(4)。我不知道我每次用的是什么骰子。我想知道最有可能的骰子序列。其实最简单最暴力的方法就是枚举所有可能的骰子序列，然后根据零点问题的解，计算出每个序列对应的概率。
如果马尔可夫链不长，当然是可行的。如果太长，就很难完成详尽的列表，另一个众所周知的算法叫做Viterbialgorithm。为了理解这个算法，我们先来看几个简单的列，首先，如果我们只掷骰子一次:结果是1。对应的最大概率骰子序列是D4，因为D4产生1的概率是1/4，高于1/6和1/8，为了扩大这种情况，我们掷骰子两次:结果是1，6。这时问题就变得复杂了，我们要计算三个值，即第二个骰子是D6、D4和D8的最大值。
