告别拍脑袋定状态！数据驱动马尔可夫建模，准确率飙升
A Data-Driven Approach to State Construction in Markov Models
📖 AI 总结
该研究提出了一种数据驱动的马尔可夫模型状态构建方法。传统马尔可夫模型依赖对数据子集（即状态）的预设划分，但这一过程常基于主观假设，可能违背状态内部转移概率的同质性要求，削弱模型的有效性与预测力。为弥补这一缺陷，论文将监督式特征选择与无监督学习相结合，系统评估了密度聚类、谱聚类和Kohonen自组织映射三种算法在无先验假设下识别潜在状态结构的能力。研究贡献体现在两方面：一是构建了包含分类性能与模型精度双重评估指标的方法论框架；二是通过实际应用对比发现，谱聚类与Kohonen自组织映射在捕捉数据内在结构方面表现最优。该结果为应用马尔可夫建模中状态定义的优化提供了理论与方法指导。
🔑 关键词速览
| Markov chain | 马尔可夫链，一种随机过程，其中未来状态仅依赖于当前状态，与过去无关。 |
| state construction | 状态构建，指在马尔可夫模型中定义状态的过程，即划分数据子集以表示不同的系统状态。 |
| spectral clustering | 谱聚类，一种基于图论的无监督学习方法，利用数据相似性矩阵的特征向量进行聚类。 |
| Kohonen self-organizing maps | Kohonen自组织映射，一种神经网络模型，用于将高维数据映射到低维网格，同时保持拓扑结构。 |
| homogeneity | 同质性，指状态内转移概率的一致性，是马尔可夫模型有效性的关键假设。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅