Trang Chủ Tài chính Cá nhân Cách sử dụng mô hình Markov trong Analytics tiên đoán - núm vú

Cách sử dụng mô hình Markov trong Analytics tiên đoán - núm vú

Video: Hồi quy tuyến tính: Ước lượng hệ số hồi quy trên excel 2025

Video: Hồi quy tuyến tính: Ước lượng hệ số hồi quy trên excel 2025
Anonim

Mô hình Markov là một mô hình thống kê có thể được sử dụng trong phân tích tiên đoán dựa chủ yếu vào lý thuyết xác suất. Đây là một kịch bản thực tiễn minh hoạ nó hoạt động như thế nào: Hãy tưởng tượng bạn muốn dự đoán Team X sẽ thắng cuộc đua vào ngày mai hay không. Điều đầu tiên cần làm là thu thập số liệu thống kê trước đây về Đội X. Câu hỏi có thể phát sinh là bạn nên quay lại lịch sử như thế nào

Hãy giả sử bạn đã có thể đạt được kết quả trò chơi 10 lần cuối cùng theo thứ tự. Bạn muốn biết xác suất của đội X chiến thắng trong trận đấu tiếp theo, cho kết quả của 10 trận đấu gần đây.

Vấn đề là ngược lại lịch sử bạn muốn, việc thu thập dữ liệu và tính xác suất càng khó và phức tạp càng trở nên phức tạp.

Tin hay không, mô hình Markov đơn giản hóa cuộc sống của bạn bằng cách cung cấp cho bạn

Markov Assumption, trông như thế này khi bạn viết ra bằng chữ:

Xác suất xảy ra sự kiện xảy ra, với

n các sự kiện trong quá khứ, xấp xỉ bằng với xác suất xảy ra sự kiện như vậy chỉ có sự kiện vừa qua. Được viết như một công thức, Markov Assumption trông như thế này:

Dù bằng cách nào, việc Markov Assumption có nghĩa là bạn không cần phải đi quá xa trong lịch sử để dự đoán kết quả của ngày mai. Bạn chỉ có thể sử dụng sự kiện trong quá khứ gần đây nhất. Đây được gọi là dự đoán Markov

thứ nhất do bạn chỉ xem xét sự kiện cuối cùng để dự đoán sự kiện trong tương lai.

Dự đoán thứ hai của Markov

thứ hai chỉ gồm hai sự kiện cuối cùng xảy ra theo trình tự. Từ phương trình đã cho, phương trình được sử dụng rộng rãi sau đây cũng có thể được sinh ra:

Phương trình này nhằm tính toán xác suất xảy ra một số sự kiện theo trình tự: sự kiện 1

sau sự kiện 2 , v.v. Xác suất này có thể được tính bằng cách nhân xác suất của mỗi sự kiện t (cho sự kiện trước đó) bởi sự kiện tiếp theo trong chuỗi. Ví dụ, giả sử bạn muốn dự đoán xác suất mà Team X thắng, sau đó mất, và sau đó ràng buộc. Đây là cách một mô hình dự báo điển hình dựa trên mô hình Markov sẽ hoạt động. Hãy xem xét ví dụ tương tự: Giả sử bạn muốn dự đoán kết quả của một trận đấu bóng đá do đội X. Ba kết quả có thể có được gọi là tiểu bang là chiến thắng, thua cuộc hoặc hòa.

Giả sử rằng bạn đã thu thập dữ liệu thống kê trong quá khứ về kết quả của các trận đấu bóng đá Team X và Team X đã bị mất trò chơi gần đây nhất. Bạn muốn dự đoán kết quả của trận bóng đá tiếp theo. Đó là tất cả về đoán xem đội X sẽ giành chiến thắng, thua, hoặc tie-chỉ dựa trên dữ liệu từ các trò chơi trong quá khứ. Vì vậy, đây là cách bạn sử dụng Mô hình Markov để làm cho dự đoán đó. Tính một số xác suất dựa trên dữ liệu trong quá khứ. Ví dụ: Team X đã thua bao nhiêu lần? Team X đã thắng bao nhiêu lần? Ví dụ: hãy tưởng tượng nếu Team X thắng 6 trận trong tổng số 10 trận đấu. Sau đó, đội X đã giành được 60 phần trăm thời gian. Nói cách khác, xác suất để giành cho đội X là 60 phần trăm.

Tính xác suất của một tổn thất, và sau đó xác suất của một tie, trong cùng một cách.

  1. Sử dụng phương trình xác suất Naïve Bayes để tính toán các xác suất như sau:

    Xác suất mà Team X sẽ giành chiến thắng, cho rằng đội X thua cuộc chơi cuối cùng.

  2. Xác suất đội X sẽ thua, cho rằng đội X đã thắng trận đấu cuối cùng.

  3. Tính các xác suất cho mỗi trạng thái (thắng, thua lỗ hoặc buộc).

    • Giả sử rằng đội chỉ thi đấu một trận một ngày, xác suất là như sau:

    • P (Win | Loss) là xác suất mà đội X sẽ giành chiến thắng hôm nay, vì nó đã mất ngày hôm qua.

  4. P (Win | Tie) là xác suất mà đội X sẽ giành chiến thắng ngày hôm nay, với điều kiện nó đã bị ràng buộc ngày hôm qua.

  5. P (Win | Win) là xác suất mà đội X sẽ giành chiến thắng hôm nay, cho rằng nó đã thắng hôm qua.

    • Sử dụng xác suất tính toán, tạo biểu đồ.

    • Một vòng tròn trong biểu đồ này thể hiện một trạng thái có thể là đội X có thể đạt được vào bất kỳ thời điểm nào (giành chiến thắng, thua lỗ, tie); các con số trên các mũi tên đại diện cho xác suất mà Team X có thể di chuyển từ tiểu bang này sang tiểu bang khác.

    • Ví dụ: nếu Đội X vừa thắng cuộc đua ngày hôm nay (trạng thái hiện tại = thắng), xác suất đội sẽ giành chiến thắng là 60%; xác suất mà họ sẽ thua trận tiếp theo là 20% (trong trường hợp đó họ sẽ chuyển từ trạng thái hiện tại = thắng sang trạng thái tương lai = thua lỗ).

  6. Giả sử bạn muốn biết cơ hội mà đội X sẽ giành hai trận đấu liên tiếp và thua đội thứ ba. Như bạn có thể tưởng tượng, đó không phải là một dự đoán đơn giản để thực hiện.

    Tuy nhiên, sử dụng biểu đồ vừa được tạo và giả định của Markov, bạn có thể dễ dàng dự đoán được cơ hội xảy ra sự kiện như vậy. Bạn bắt đầu với trạng thái chiến thắng, đi qua bang giành chiến thắng một lần nữa, và ghi được 60 phần trăm; sau đó bạn di chuyển đến trạng thái mất mát và ghi lại 20 phần trăm.

Khả năng Team X sẽ giành chiến thắng hai lần và thua trong trò chơi thứ ba trở nên đơn giản để tính toán: 60 phần trăm 60 lần 20 phần trăm 60 phần trăm 60 phần trăm 20 phần trăm, tương đương với 72 phần trăm.

Vậy đội X sẽ giành chiến thắng, sau đó buộc, và sau đó mất hai lần sau đó? Câu trả lời là 20% (di chuyển từ trạng thái giành chiến thắng để buộc nhà nước) lần 20% (chuyển từ tie thành loss), lần 35 phần trăm (chuyển từ thua lỗ sang mất) lần 35 phần trăm (chuyển từ thua lỗ sang thua lỗ). Kết quả là 49 phần trăm.

Cách sử dụng mô hình Markov trong Analytics tiên đoán - núm vú

Lựa chọn của người biên tập

Loại bỏ màu trong ảnh với lệnh Remove Color Command - những núm vú

Loại bỏ màu trong ảnh với lệnh Remove Color Command - những núm vú

T muốn bất kỳ màu sắc trong một hình ảnh. Với lệnh Remove Color trong Photoshop Elements 10, bạn có thể dễ dàng loại bỏ tất cả các màu từ một hình ảnh, lớp hoặc lựa chọn. Để sử dụng lệnh này, chỉ cần chọn Enhance → Adjust Color → Remove Color. Đôi khi, tẩy màu bằng lệnh này có thể để lại của bạn ...

Chỉnh sửa Ảnh Thiên nhiên của bạn với Photoshop Elements - núm vú

Chỉnh sửa Ảnh Thiên nhiên của bạn với Photoshop Elements - núm vú

Máy ảnh kỹ thuật số của bạn thực hiện tuyệt vời để chụp bản chất và hình ảnh phong cảnh. Nhưng hình ảnh kỹ thuật số nói chung cần một chút công việc. Photoshop Elements là phòng tối kỹ thuật số của bạn. Ứng dụng này có thể làm những điều kỳ diệu cho những hình ảnh mà không phải là khá đủ để snuff. Bạn cũng có thể sử dụng ứng dụng này để tăng cường hình ảnh và thêm các hình ảnh đặc biệt ...

Khám phá Các Tùy chọn In trong Photoshop Elements - Dummies

Khám phá Các Tùy chọn In trong Photoshop Elements - Dummies

Có lẽ là thách thức lớn nhất khi sử dụng các chương trình như Photoshop Elements các chuyên gia sử dụng ông nội của nó, Adobe Photoshop) đang nhận được những gì bạn thấy trên màn hình của bạn để hiển thị một bản fax hợp lý trên một trang in. Bạn có thể tìm thấy tất cả các loại sách về in màu - làm thế nào để có được màu sắc quyền, làm thế nào ...

Lựa chọn của người biên tập

RootsWeb. com trong nháy mắt - núm vú

RootsWeb. com trong nháy mắt - núm vú

RootsWeb. com là một cộng đồng trực tuyến được thiết lập tốt cho các nhà genealogist. Nó đã được khoảng một thời gian dài và đã đi qua renditions khác nhau. Vài năm trước, nó đã trở thành một phần của tổ tiên. com và vẫn gắn bó mật thiết với Tổ tiên. Trong khi Tổ tiên. com dựa chủ yếu vào các thuê bao để giữ bộ sưu tập của mình phát triển, RootsWeb. com dựa chủ yếu vào sự hào phóng ...

Cách tiếp cận Shotgun đối với Nghiên cứu về Phả hệ - những người có núm vú

Cách tiếp cận Shotgun đối với Nghiên cứu về Phả hệ - những người có núm vú

Có lẽ bạn đang tự hỏi làm thế nào để tìm người khác để chia sẻ thông tin về phả hệ. Vâng, bạn có thể bắt đầu bằng cách đọc qua sách điện thoại và gọi cho tất cả mọi người bằng tên họ bạn đang nghiên cứu. Tuy nhiên, với cách thức một số người cảm thấy về các nhà tiếp thị qua điện thoại, đây không phải là một chiến lược được đề nghị. Gửi email hàng loạt cho bất kỳ ai bạn tìm thấy với họ của bạn ...

Lựa chọn của người biên tập

Quan điểm vô thần của những đóng góp tích cực của tôn giáo - những con voi

Quan điểm vô thần của những đóng góp tích cực của tôn giáo - những con voi

Một số người vô thần cũng cảm thấy rằng tôn giáo không có đóng góp tích cực cho thế giới . Ngay cả người vô thần Bertrand Russell, một người có thẩm quyền cao trong hầu hết các ngày, tín chỉ tôn giáo chỉ với việc thiết lập lịch, nói rằng ông không thể nghĩ ra bất kỳ đóng góp khác. Hầu hết các người vô thần, ngay cả những người cảm thấy tôn giáo là một ảnh hưởng xấu tổng thể, thường có thể nghĩ rằng

Chủ nghĩa vô thần và Kinh thánh - những con voi

Chủ nghĩa vô thần và Kinh thánh - những con voi

Nhà văn khoa học viễn tưởng Isaac Asimov gọi Kinh thánh là "sức mạnh mạnh mẽ nhất cho chủ nghĩa vô thần đã từng hình thành" - và nhiều người theo chủ nghĩa vô thần đồng ý. Nhưng hầu hết mọi người chỉ quen thuộc với một người lấy mẫu cẩn thận của những đoạn văn cảm hứng từ Kinh thánh. Đối với mỗi đoạn văn truyền cảm hứng đi vào những chiếc bệ và những cái gối bằng kim, một nửa ...