📊 经典机器学习ID: hmm-evaluation

HMM 前向算法 (评估)

Q: 写出前向算法递推 $\alpha_t(j) = [\sum_i \alpha_{t-1}(i)a_{ij}]b_j(o_t)$,并说明初值 $\alpha_1(j)$ 与终止条件 $P(O \mid \lambda)$?

【HMM 前向算法 (评估) 核心考点 1】写出前向算法递推 $\alpha_t(j) = [\sum_i \alpha_{t-1}(i)a_{ij}]b_j(o_t)$,并说明初值 $\alpha_1(j)$ 与终止条件 $P(O \mid \lambda)$?。技术解析：定义: 评估问题是给定 HMM 参数 \lambda = (A, B, \pi) 与观测序列 O = o_1 o_2 \dots o_T,求观测概率 P(O \mid \lambda)。直接对状态序列求和共有 N^T 条路径,不可行;前向算法用动态规划定义前向变量 \alpha_t(j) = P(o_1 \dots o_t, q_t = j \mid \lambda)(到 t 时刻处于状态 j 且已输出前 t 个观测的联合概率),递推 \alpha_t(j) = \Bigl[\sum_{i} \alpha_{t-1}(i)\, a_{ij}\Bigr]... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/ML/card/hmm-evaluation

Q: 为什么直接计算 $P(O \mid \lambda)$ 是指数级 $O(N^T)$?前向算法如何把复杂度降到 $O(N^2T)$?

【HMM 前向算法 (评估) 核心考点 2】为什么直接计算 $P(O \mid \lambda)$ 是指数级 $O(N^T)$?前向算法如何把复杂度降到 $O(N^2T)$?。技术解析：定义: 评估问题是给定 HMM 参数 \lambda = (A, B, \pi) 与观测序列 O = o_1 o_2 \dots o_T,求观测概率 P(O \mid \lambda)。直接对状态序列求和共有 N^T 条路径,不可行;前向算法用动态规划定义前向变量 \alpha_t(j) = P(o_1 \dots o_t, q_t = j \mid \lambda)(到 t 时刻处于状态 j 且已输出前 t 个观测的联合概率),递推 \alpha_t(j) = \Bigl[\sum_{i} \alpha_{t-1}(i)\, a_{ij}\Bigr]... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/ML/card/hmm-evaluation

Q: 前向算法与维特比算法有什么区别(求和 vs 取 max、各自输出什么)?

【HMM 前向算法 (评估) 核心考点 3】前向算法与维特比算法有什么区别(求和 vs 取 max、各自输出什么)?。技术解析：定义: 评估问题是给定 HMM 参数 \lambda = (A, B, \pi) 与观测序列 O = o_1 o_2 \dots o_T,求观测概率 P(O \mid \lambda)。直接对状态序列求和共有 N^T 条路径,不可行;前向算法用动态规划定义前向变量 \alpha_t(j) = P(o_1 \dots o_t, q_t = j \mid \lambda)(到 t 时刻处于状态 j 且已输出前 t 个观测的联合概率),递推 \alpha_t(j) = \Bigl[\sum_{i} \alpha_{t-1}(i)\, a_{ij}\Bigr]... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/ML/card/hmm-evaluation

Q: 前向变量 $\alpha_t(j)$ 的概率含义是什么?它如何与后向变量 $\beta_t(j)$ 组合得到 $P(q_t = j \mid O, \lambda)$?

【HMM 前向算法 (评估) 核心考点 4】前向变量 $\alpha_t(j)$ 的概率含义是什么?它如何与后向变量 $\beta_t(j)$ 组合得到 $P(q_t = j \mid O, \lambda)$?。技术解析：定义: 评估问题是给定 HMM 参数 \lambda = (A, B, \pi) 与观测序列 O = o_1 o_2 \dots o_T,求观测概率 P(O \mid \lambda)。直接对状态序列求和共有 N^T 条路径,不可行;前向算法用动态规划定义前向变量 \alpha_t(j) = P(o_1 \dots o_t, q_t = j \mid \lambda)(到 t 时刻处于状态 j 且已输出前 t 个观测的联合概率),递推 \alpha_t(j) = \Bigl[\sum_{i} \alpha_{t-1}(i)\, a_{ij}\Bigr]... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/ML/card/hmm-evaluation

Q: 给定具体 HMM(如 $N=2$、$T=3$),手算 $P(O \mid \lambda)$ 的完整数值过程?

【HMM 前向算法 (评估) 核心考点 5】给定具体 HMM(如 $N=2$、$T=3$),手算 $P(O \mid \lambda)$ 的完整数值过程?。技术解析：定义: 评估问题是给定 HMM 参数 \lambda = (A, B, \pi) 与观测序列 O = o_1 o_2 \dots o_T,求观测概率 P(O \mid \lambda)。直接对状态序列求和共有 N^T 条路径,不可行;前向算法用动态规划定义前向变量 \alpha_t(j) = P(o_1 \dots o_t, q_t = j \mid \lambda)(到 t 时刻处于状态 j 且已输出前 t 个观测的联合概率),递推 \alpha_t(j) = \Bigl[\sum_{i} \alpha_{t-1}(i)\, a_{ij}\Bigr]... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/ML/card/hmm-evaluation

HMM Forward Algorithm (Evaluation)

🎯核心定义

评估问题是给定 HMM 参数

\lambda = (A, B, \pi)

与观测序列

O = o_1 o_2 \dots o_T

,求观测概率

P(O \mid \lambda)

。直接对状态序列求和共有

N^T

条路径,不可行;前向算法用动态规划定义前向变量

\alpha_t(j) = P(o_1 \dots o_t, q_t = j \mid \lambda)

(到 t 时刻处于状态 j 且已输出前 t 个观测的联合概率),递推

📌核心概述

\alpha_t(j) = \Bigl[\sum_{i} \alpha_{t-1}(i)\, a_{ij}\Bigr] b_j(o_t)

📌核心概述

初始

\alpha_1(j) = \pi_j b_j(o_1)

,终止

P(O \mid \lambda) = \sum_j \alpha_T(j)

。每个时刻对

N

个状态各做

N

次转移求和,复杂度由枚举路径的

O(N^T)

降为

O(N^2 T)

。

💡使用场景

语音识别、生物序列分析中的序列打分,也是 Baum-Welch E 步的组成部分;面试常考前向变量定义、与前向/维特比“求和 vs 取 max”的区别。

⚡解决的核心痛点

状态不可观测导致直接求是指数级爆炸,前向算法通过缓存子问题将似然计算降到多项式时间;代价是每步

O(N^2)

的转移求和与

O(NT)

存储(可滚动优化为

O(N)

)。

🎯5 个高频面试考点 (Exam Points)

写出前向算法递推

\alpha_t(j) = [\sum_i \alpha_{t-1}(i)a_{ij}]b_j(o_t)

,并说明初值

\alpha_1(j)

与终止条件

P(O \mid \lambda)

为什么直接计算

P(O \mid \lambda)

是指数级

O(N^T)

?前向算法如何把复杂度降到

O(N^2T)

前向算法与维特比算法有什么区别(求和 vs 取 max、各自输出什么)?

前向变量

\alpha_t(j)

的概率含义是什么?它如何与后向变量

\beta_t(j)

组合得到

P(q_t = j \mid O, \lambda)

给定具体 HMM(如

N=2

、

T=3

),手算

P(O \mid \lambda)

的完整数值过程?

📖 关联深度指南:📄 probabilistic-models →

更新于 2026-08-12

🎯

检验攻克程度：针对「HMM 前向算法 (评估)」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点朴素贝叶斯下一个知识点 →HMM 维特比解码

HMM 前向算法 (评估)

🔗 更多 经典机器学习 知识点卡片

🔗 更多经典机器学习知识点卡片