HMM（隱馬爾可夫模型）是用來描述隱含未知參數的統計模型，舉一個經典的例子：一個東京的朋友每天根據天氣{下雨，天晴}決定當天的活動{公園散步,購物,清理房間}中的一種，我每天只能在twitter上看到她發的推“啊，我前天公園散步、昨天購物、今天清理房間了！”，那么我可以根據她發的推特推斷東京這三天的天氣。在這個例子里，顯狀態是活動，隱狀態是天氣。 任何一個HMM都可以通過下列五元組來描述： ~~~ :param obs:觀測序列 :param states:隱狀態 :param start_p:初始概率（隱狀態） :param trans_p:轉移概率（隱狀態） :param emit_p: 發射概率 （隱狀態表現為顯狀態的概率） ~~~ [](http://www.niubua.com/wp-content/uploads/2015/07/6cbb8645gw1egs40a3bpmj208n09574o.jpg) 偽碼如下： ~~~ states = ('Rainy', 'Sunny') observations = ('walk', 'shop', 'clean') start_probability = {'Rainy': 0.6, 'Sunny': 0.4} transition_probability = { 'Rainy' : {'Rainy': 0.7, 'Sunny': 0.3}, 'Sunny' : {'Rainy': 0.4, 'Sunny': 0.6}, } emission_probability = { 'Rainy' : {'walk': 0.1, 'shop': 0.4, 'clean': 0.5}, 'Sunny' : {'walk': 0.6, 'shop': 0.3, 'clean': 0.1}, } ~~~