[시계열의 상태공간 모델] Hidden Markov model(HMM)

은닉 마르코프 모형(Hidden Markov model(HMM))

 

은닉 마르코프 모형은 시계열 모델링에 유용하다. 또한 시계열 분석에 학습될 데이터에 올바르게 레이블링된 정-답이 존재하지 않는 비지도학습이 적용된 희귀한 경우이기 때문에 흥미롭다.

HMM은 앞 게시글에서 살펴 본 칼만 필터의 실험에서 얻었던 직관, 즉 관측 가능 변수가 시스템을 가장 잘 묘사하지는 못한다는 개념에서 영감을 받았다.

 

선형 가우스 모델에 적용된 칼만 필터처럼, process에서는 state(상태)가 있으며, 관측이 그 상태에 대한 정보를 준다는 개념을 상정한다.

 

---

모델 동작 방식

HMM은 직접적으로 관측이 불가능한 상태를 가진 system을 상정한다. Markov process라 불리는 이 system은, 미래 사건의 확률이 system의 현재 상태만으로도 충분히 계산될 수 있기에 “memoryless(기억 없음)”이라는 의미를 지닌다. 즉, 시스템의 현재와 과거 상태를 모두 알더라도 시스템의 현재 상태만 아는 것보다 유용하지 않다는 것이다.