时间戳

首页 > 解决方案 > 使用石榴：如何在隐马尔可夫模型中生成概率

python - 使用石榴：如何在隐马尔可夫模型中生成概率

问题描述

为了训练 HMM 模型，我需要开始概率 (pi)、转移概率和发射概率。现在我想训练一个具有 3 个状态（1、2、3）和 4 个输出（a、b、c、d）的 HMM 模型。训练数据为：

[[abcdabcdabcdabcdabcdbacbacd,abababcdcdcdcdababab,badcacdabacdbbacd,dacdbacdbbccaaadacdbabd,cababcacdbacacdbdacdacdbacdbab,acddbaacbdcaabdcbabd,cdbadcbacdbbdacdbcdaaabd,bcadabbacbacdbdacddb]]

我正在尝试使用 pomegranate 来做到这一点，但在示例中，所有州的概率都指定如下：

rainy = State( DiscreteDistribution({ 
    'walk': 0.1, 'shop': 0.4, 'clean': 0.5 }),
    name='Rainy' )
sunny = State( DiscreteDistribution({ 
    'walk': 0.6, 'shop': 0.3, 'clean': 0.1 }), 
    name='Sunny' )`

我的问题是如何获得概率。我正在尝试使用石榴法model.add_transition()，但我不知道我应该给哪个参数？是否有任何示例可以教我如何获取数据中的概率？

标签： pythonhidden-markov-modelsunsupervised-learningmarkov

解决方案

如果您不知道所需模型的参数，即您想使用模型来学习这些参数，那么在无监督设置中，您可以使用fit()pomegranate 中的函数。 model = HiddenMarkovModel() #create reference model.fit(sequences, algorithm='baum-welch') # let model fit to the data model.bake() #finalize the model （注意：确保您输入的每个序列都是列表或 numpy 数组）

一旦模型学习了参数，您可以使用以下函数来提取结果：

  1. 要获得转移概率矩阵：

    model.dense_transition_matrix()

  2. 要获得排放分布：

    print(model)

  3. 然后，如果您希望使用该模型生成样本：

    model.sample(length=10)

  4. 您可以通过使用上面的转换和发射参数来进一步改进模型，如您认为合适的，并通过以下方式创建新模型：

    custom_model = HiddenMarkovModel.from_matrix(transition_matrix, distributions, start_probs, end_probs)

Pomegranate docs是获取这些函数的详细信息的最佳来源。

推荐阅读