12

我是隐马尔可夫模型的新手，为了试验它，我在 Python中的hmmlearn 包的帮助下，根据观察一个人是否携带雨伞来研究晴天/雨天/雾天天气的场景。我的测试中使用的数据是从这个页面获得的（“测试1”的测试和输出文件）。

我创建了下面给出的简单代码，以根据测试数据拟合无监督 HMM，然后将预测与预期输出进行比较。结果看起来相当不错（10 个正确预测中有 7 个）。

我的问题是：我应该如何知道模型处理的隐藏状态到问题域中真实状态的映射？（换句话说，我如何将响应与我的问题域的期望状态联系起来？）

这可能是一个非常幼稚的问题，但如果模型受到监督，我会理解映射是我在为 fit 方法提供 Y 值时给出的......但我根本无法弄清楚它在这种情况下是如何工作的.

代码：

import numpy as np
from hmmlearn import hmm

# Load the data from a CSV file
data = np.genfromtxt('training-data.csv', skip_header=1, delimiter=',',
                         dtype=str)

# Hot encode the 'yes' and 'no' categories of the observation
# (i.e. seeing or not an umbrella)
x = np.array([[1, 0] if i == 'yes' else [0, 1] for i in data[:, 1]])

# Fit the HMM from the data expecting 3 hidden states (the weather on the day:
# sunny, rainy or foggy)
model = hmm.GaussianHMM(n_components=3, n_iter=100, verbose=True)
model.fit(x, [len(x)])

# Test the model
test = ['no', 'no', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'yes']
x_test = np.array([[1, 0] if i == 'yes' else [0, 1] for i in test])
y_test = ['foggy', 'foggy', 'foggy', 'rainy', 'sunny', 'foggy', 'rainy', 'rainy', 'foggy', 'rainy']

y_pred = model.predict(x_test)

mp = {0: 'sunny', 1: 'rainy', 2: 'foggy'} # THIS IS MY ASSUMPTION

print('\n\n\n')

print('Expected:')
print(y_test)
print('Predicted:')
print([mp[i] for i in y_pred])

结果：

Expected:
['foggy', 'foggy', 'foggy', 'rainy', 'sunny', 'foggy', 'rainy', 'rainy', 'foggy', 'rainy']
Predicted:
['foggy', 'foggy', 'sunny', 'rainy', 'foggy', 'sunny', 'rainy', 'rainy', 'foggy', 'rainy']
4

1 回答 1

14

我的问题是：我应该如何知道模型处理的隐藏状态到问题域中真实状态的映射？（换句话说，我如何将响应与我的问题域的期望状态联系起来？）

基本上你不能。您能够手工制作此映射（或者甚至它一开始就存在）的事实只是一个巧合，来自于问题的极端简单性。

HMM（在这种学习场景中）试图找到最可能的（预定义数量的）隐藏状态序列，但就像任何其他无法保证匹配手头任务的无监督学习一样。考虑到约束（马尔可夫假设、隐藏状态的数量、提供的观察结果），它只是尽可能地模拟现实——它不会神奇地检测出一个人在问的实际问题是什么（比如这里——天气序列），而是简单地尝试解决它自己的内部优化问题——这是任意定义的隐藏状态的最可能序列，这样在马尔可夫假设（独立于旧历史）下，很可能会出现所提供的观察结果。

一般来说，您将无法如此轻松地解释这些状态，这里的问题是如此简单，只需使用上面列出的假设 - 这（天气状态）几乎是最可能建模的事情。在其他问题中 - 它可以捕获任何有意义的东西。

如前所述 - 这不是 HMM 属性，而是任何无监督学习技术 - 当您对数据进行聚类时，您只会发现一些数据分区，这可能与您正在寻找的内容有某种关系 - 或者没有。同样在这里 - HMM 会找到一些动态模型，但它可能与您所追求的完全不同。如果你知道你在寻找什么——你应该使用监督学习，这就是它的定义。无监督学习是找到一些结构（这里是动态），而不是特定的。

于 2017-01-20T22:12:22.540 回答