问题标签 [hmmlearn]

我这样做如下：

现在我想预测'x'；我知道我可以通过代码来做到这一点：hmm.predict(x); 但是我应该看到“hmm”的一些参数并手动计算吗？

简单的例子，“X”是一个向量（10000 行，1 列）；然后在运行代码后：

，我认为“一些参数”应该如下所示：

那么我该如何从嗯？

我正在使用隐马尔可夫模型来解决股市预测问题。我的数据矩阵包含特定安全性的各种功能：

我适合一个简单的 GaussianHMM：

使用模型 (λ)，我可以对观察向量进行解码，以找到与观察向量对应的最可能的隐藏状态序列：

上面，我已经解码了包含测试集中前五个实例的观察向量 O _t = (O ₁ , O ₂ , ..., O _{d ) 的隐藏状态序列。}我想估计测试集中第六个实例的隐藏状态。这个想法是迭代第六个实例的一组离散的可能特征值，并选择具有最高似然性 argmax = P(O ₁ , O ₂ , ..., O _d+1 | λ的观察序列 O _t+1）。_{一旦我们观察到 O d+1}的真实特征值，我们可以将序列（长度为 5）移动 1 并重新做一遍：

问题是当我解码观察向量 O _{t+1时，具有最高似然性的预测几乎总是相同的（例如，具有最高似然性的估计总是具有 O d+1}的特征值等于 [ 0.04 0.04 0.04] 和是隐藏状态[0]）：

我完全有可能误解了 的目的mdl.decode，从而错误地使用了它。如果是这种情况，我怎样才能最好地迭代 O _d+1的可能值，然后最大化 P(O ₁ , O ₂ , ..., O _d+1 | λ)？

这是我的问题，我正在尝试使用 hmmlearn 教一个隐马尔可夫模型。我是这门语言的新手，理解列表和数组之间的区别有些困难。这是我的代码：

以及由此产生的输出

我在ValueError: setting an array element with a sequence看到它可能是不同数组长度的问题，但我不知道如何解决它。

有什么建议吗？

我目前使用 HMM 来预测太阳辐射。

传统的 HMM 模型只能考虑一个观测序列数据。

但是，当我使用 Gibbs 采样来估计隐藏状态时，会减少 4 并且误差很高。

现在，我正在考虑如何将多个数据输入到模型中，例如使用温度和消耗数据作为观察值。

所以我搜索动态朴素贝叶斯分类器。但是，我不知道什么是动态朴素贝叶斯分类器以及如何实现它。

有人可以给我一些答案或给我一些教程。

提前致谢 ：）

我正在使用此文档，但我无法弄清楚如何从测试数据中提取预测序列。

我已经用 训练了模型.fit(X_train)，但是如下：

unseen_hidden_states = model.predict(X_test)

返回一个数组：

[2 1 1 ..., 3 3 3]

我不知道如何解释或如何从中提取预测序列

当我设置模型时（例如in ）transmat_ ，有人可以解释一下参数和之间的区别吗？transmat_priorGaussianHMM()hmmlearn.hmm

同样的解释也适用于参数startprob_prior和startbrob_？

首先，我的 hmmlearn 版本是 0.3.0b（使用 conda 安装）。

我正在尝试在 hmmlearn 中实现 GMMHMM 模型，但我得到：

更具体地说，我有一个包含 4 个状态和 5 个混合高斯（集群）的模型，并且我的输入 X 变量具有文档shape(20,3)中提到的，即.(n_samples, n_features)

这是创建错误的代码：

任何人都可以找到任何理由或者它是图书馆的错误吗？我找不到实现 GMMHMM 模型的在线示例。

我对使用 MALLET 非常陌生。我需要一个用于序列标记任务的 HMM 库。我已经看过 Sequence Tagging Developer's Guide，但我无法理解如何训练 HMM。我有一个隐藏状态列表、一个观察符号列表、初始概率矩阵、转移概率矩阵和发射概率矩阵。我需要使用 BW 算法训练 HMM，重新估计参数，然后想使用这些参数执行序列标记任务。

例如，我有以下值：

hidden_​​states = ('下雨'，'晴天')

observation_symbols = ('walk', 'shop', 'clean')

initial_probability = {'雨天'：0.6，'晴天'：0.4}

转换概率= {

'雨天'：{'雨天'：0.7，'晴天'：0.3}，

'晴天'：{'雨天'：0.4，'晴天'：0.6}，

}

排放概率= {

'Rainy' : {'walk': 0.1, 'shop': 0.4, 'clean': 0.5},

'Sunny' : {'walk': 0.6, 'shop': 0.3, 'clean': 0.1},

}

观察序列= {

走干净的商店，

干净的步行商店

}

如何使用上述参数训练 HMM？请帮忙。

我有 3 个观察序列，我有 3 个这样的观察序列。存在三种隐藏状态。我正在使用 HMMlearn 库的 GaussianHMM。

state_machine = GaussianHMM(n_components=3, covariance_type="full", n_iter=1000) state_machine.fit(np.stack(np.split(X, 3), axis=1))

对于一项功能，数据如下

我将观察结果划分如下。因为我的目标是预测下一次观察。并保持观察结果不变会产生'9 X 3'_compute_log_likelihood。所以我需要它以'3 X 3'的形式出现，这样我就可以预测下一次观察。

但我得到的状态转换矩阵为

同样对于“state_machine.predict（test_r）”，我收到错误，因为“ValueError：transmat_ 的行必须总和为 1.0（得到 [1. 0. 1.]）”。

但对于其他特征，数据如下

我正在低于状态转换矩阵。

对于“state_machine.predict(test_r)”，我得到“隐藏状态：[2]”。

请建议我这背后的可能原因和解决方案。

谢谢。

我正在尝试安装 hmmlearn 但是我遇到了问题。

我的python版本，

Python 3.6.1（v3.6.1:69c0db5，2017 年 3 月 21 日，18:41:36）

我检查了我的点子也是最新的。

c:\users\xxx\pip 安装 c:\users\xxx\documents\code\python\hmmlearn-0.2.0-cp35-cp35m-win32.whl

我收到错误消息

hmmlearn-0.2.0-cp35-cp35m-win32.whl 不是此平台支持的轮子

我还尝试了文件 hmmlearn-0.2.0-cp35-cp35m-win_amd64 并得到相同的错误消息。

如何安装 hmmlearn？

更新

上周我在我的电脑上下载了 PyCharm，不知道这是否会造成问题？