RMSE是个什么东东?

root mean square error 均方根误差,也叫标准误差,定义为:误差的平方和除以样本个数减一的平方根  δ=sqrt[(Σ(di^2))/(n-1)]  n为测量次数;di为一组测量值与平均值的偏差。如果误差统计分布是正态分布,那么随机误差落在土σ以内的概率为68%。   RMSE——root mean square error 均方根误差 R square称为方程的确定系数,0~1之间,越接近1,表明方程的变量对y的解释能力越强。   RMSE(root mean square error of correlation) 假设试验测量值y_i; 拟合曲线对应值z_i; 数据一共有N个; 结果应该是 sqrt(sum(y_i-z_i)^2/N)  其中sum对所有指标i 求和   Short script that calculates root mean square error from data vector or matrix […]

HMM-Viterbi Algorithm

简单来说,通过给定的观测状态序列,推算另一状态[隐藏状态]最可能出现的序列情况,这些状态的可能变化又称Viterbi Path Viterbi算法基于如下3个假设: 1.无论是观测到的事件还是隐藏的事件都必须在一个序列中[一般对应时间] 2.这两个序列需要重新校正排列,观测状态需要和一个隐藏状态进行对应 3.每一个状态只依赖于它之前的那一个状态,而与其它的无关 注:以上假设同样满足隐马模型。 说了这么多,还是看个简单的例子吧。 简单来说,通过给定的观测状态序列,推算出可能性最大的隐藏序列,这些序列的可能变化又称Viterbi Path 说到viterbi算法,不得不提隐马模型(HMM),viterbi是HMM里面一个比较重要的算法。 隐马尔可夫模型(Hidden Markov Model,HMM)是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析,例如模式识别。 在正常的马尔可夫模型中,状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的,但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。 HMM[隐马尔可夫模型]里有三个经典的问题: 已知模型参数,计算某一特定输出序列的概率.通常使用forward算法解决. 已知模型参数,寻找最可能的能产生某一特定输出序列的隐含状态的序列.通常使用Viterbi算法解决. 已知输出序列,寻找最可能的状态转移以及输出概率.通常使用Baum-Welch算法以及Reversed Viterbi算法解决. 另外,最近的一些方法使用Junction tree算法来解决这三个问题。 Viterbi算法基于如下3个假设: 1.无论是观测到的事件还是隐藏的事件都必须在一个序列中[一般对应时间] 2.这两个序列需要重新校正排列,观测状态需要和一个隐藏状态进行对应 3.每一个状态只依赖于它之前的那一个状态,而与其它的无关 注:以上假设同样满足隐马模型。 说了这么多,还是看个简单的例子吧。