Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Modelos de Markov ocultos

Los modelos Markov para generación de datos

son ejemplos de procesos estocásticos: procesos que generan secuencias aleatorias de resultados o Estados según ciertas probabilidades.Markov processes Los procesos de Markov se distinguen por ser sin memoria, su siguiente estado depende sólo de su estado actual, no de la historia que los condujo allí. Los modelos de procesos de Markov se utilizan en una amplia variedad de aplicaciones, desde los precios de las acciones diarias hasta las posiciones de los genes en un cromosoma. buscan recuperar la secuencia de Estados que generó un conjunto determinado de datos observados.Hidden Markov Models (HMM)

Funciones

`hmmdecode`	Las probabilidades de estado posterior del modelo oculto de Markov
`hmmestimate`	Las estimaciones de parámetros del modelo de Markov oculto de emisiones y Estados
`hmmgenerate`	Estados y emisiones del modelo de Markov ocultos
`hmmtrain`	Estimación de parámetros del modelo de Markov oculto de emisiones
`hmmviterbi`	La ruta de estado más probable del modelo de Markov oculto

Temas

Modelos de Markov ocultos (HMM)

Estime los modelos de Markov a partir de datos.

Cadenas de Markov

Las cadenas de Markov son descripciones matemáticas de los modelos de Markov con un conjunto discreto de Estados.

Modelos de Markov ocultos

Funciones

Temas

Documentación de Statistics and Machine Learning Toolbox

Soporte

Mastering Machine Learning: A Step-by-Step Guide with MATLAB