马尔可夫链 Markov Chain
马尔可夫链 (Markov Chain) 是一种数学系统，根据某概率规则经历从一种状态到另一种状态的转变。马尔可夫链的定义特征是无论过程如何到达当前状态，未来可能的状态都是固定的。它是描述一系列可能事件的随机模型，其中每个事件的概率仅取决于前一个事件所达到的状态。这可以被认为是「接下来发生的事情仅取决于现在的事态」。比如，第 n+1 步为 x 的概率仅取决于第 n 步，而不取决于 n 之前的完整步骤序列。这种性质被称为马尔可夫性质或无记忆性。
马尔可夫链的应用
马尔可夫链使许多现实世界过程的研究变得更加简单和易于理解。使用马尔可夫链，我们可以得出一些有用的结果，例如平稳分布等等。
- MCMC (Markov Chain Monte Carlo) 是在马尔可夫链的基础上提出的一种解决归一化因子问题的方法。
- 马尔可夫链用于信息论、搜索引擎、语音识别等。
- 马尔可夫链在数据科学领域具有巨大的可能性、未来和重要性，请有兴趣的读者正确学习这些东西，成为数据科学领域的有能力的人。
马尔可夫链的假设
- 统计系统包含有限数量的状态。
- 这些状态是相互排斥的并且集体详尽的。
- 从一种状态到另一种状态的转移概率随着时间的推移是恒定的。
马尔可夫过程在现实生活中的问题中相当常见，并且马尔可夫链由于其无记忆特性而很容易实现。使用马尔可夫链可以简化问题而不影响其准确性。