3

我想使用隐马尔可夫模型（解码问题）预测隐藏状态。数据是分类的。隐藏状态包括饥饿、休息、锻炼和电影。观察集包括食物、家庭、户外和娱乐以及艺术和娱乐。我的程序是首先根据观察序列（Baum-Welch 算法）训练 HMM。然后我进行解码（维特比算法）来预测隐藏状态序列。

我的问题是我如何将结果（非负整数）映射到它们相应的类别，如饥饿或休息。由于训练算法的非确定性特性，对于相同数据的每次训练，参数都是不同的。因此，如果我像下面的代码那样做地图，隐藏状态序列每次都是不同的。

代码如下：

from __future__ import division
import numpy as np
from hmmlearn import hmm

states = ["Hungry", "Rest", "Exercise", "Movie"]
n_states = len(states)

observations = ["Food", "Home", "Outdoor & Recreation", "Arts & Entertainment"]

# The number in this sequence is the index of observation
category_sequence = [1, 0, 1, 2, 1, 3, 1]
Location = np.array([category_sequence]).T
model = hmm.MultinomialHMM(n_components=n_states).fit(Location)

logprob, result = model.decode(Location)
print "Category:", ", ".join(map(lambda x: observations[x], Location.T[0]))
print "Intent:", ", ".join(map(lambda x: states[x], result))
4

1 回答 1

4

这被称为标签交换问题。模型的对数似然对所有状态求和，因此与特定排序无关。

据我所知，没有通用的方法来处理它。您可以尝试的方法包括：

  • 找到一个部分标记的数据集，predict在其上运行并使用预测将状态索引映射到相应的标签。
  • 提出每个状态下可能的参数值的启发式方法。对于多项式，这可能会很棘手，但如果您对加速度计数据进行建模，则可以做到这一点。

更新：从标记数据猜测状态到标记映射的临时版本。

def guess_labels(hmm, X, labels):
    result = [None] * hmm.n_components
    for label, y_t in zip(labels, hmm.predict(X)):
        assigned = result[y_t]
        if assigned is not None:
            # XXX clearly for any real data there might be
            #     (and there will be) conflicts. Here we just blindly
            #     hope the ``assert`` never fires.
            assert assigned == label
        else:
            result[y_t] = label
    return result
于 2016-09-29T10:17:23.390 回答