马尔可夫及隐马尔可夫模型在数据挖掘中的应用摘要: 随着用户对于数据挖掘的精确度与准确度要求的日益提高, 马尔可夫模型与隐马尔可夫模型被广泛用于数据挖掘领域。
本文阐述了马尔可夫模型和隐马尔可夫模型数据挖掘领域的应用, 以及隐马尔可夫模型可解决的问题, 以供其他研究者借鉴。
1 引言当前Internet 与数据库的高速发展, 信息以海量增长, 对于越来越多的数据, 如何寻找有用的信息是人们所关心的问题, 也是数据挖掘的任务。
数据挖掘( Data Mining, DM), 又称数据库中的知识发现(Knowledge Discovery in Database,KDD), 是从90 年代初兴起的一门数据库技术。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中, 提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
数据挖掘是多学科交叉的产物, 结合了数据库、人工智能、统计学、机器学习、可视化等技术, 通过发现有用的新规律和新概念, 提高了数据拥有者对大量原始数据的深层次理解、认识和应用, 解决了―数据丰富, 知识贫乏‖的问题, 具有广泛的应用前景。
数据挖掘能从大量数据中抽取出隐藏在数据之中的有用信息, 从而为决策者进行决策提供重要的依据, 大大提高决策的科学性和减小决策的盲目性也可以帮助商业管理者更好地理解用户的行为, 制订相应的用户服务政策, 从而增加商业机会。
例如电信公司通过发现用户通话的规律, 制定更合理的优惠政策。
随着用户对于挖掘数据的精度与准确度要求的提高, 大量数据挖掘算法涌现。
其中, 数学模型—马尔可夫模型与隐马尔可夫模型应用在许多挖掘领域, 如: 语音识别、自动文本抽取、数据流分类等, 取得了较好的挖掘效果。
2 马尔可夫模型及隐马尔可夫模型简介马尔可夫模型(Markov Models, MM) 可来描述为: 如果一个系统有N 个状态, S1,S2, ⋯⋯, Sn , 随着时间的推移, 该系统从某一状态转移到另一状态, 系统在时间t 的状态记为qt。
