我有两个训练集(已知类别的观察值)代表我数据中的两种可能状态。我想让 hmmlearn 估计开始， 来自这两个训练集的转换和发射概率。
我的数据是 0-1 之间的值列表。我已经使用保守的阈值将数据分成粗略的组“A”和“B”。我想使用 HMM 来优化我的数据改变状态的点。
对于单个训练/测试序列 X，我会这样做:
X = [0, 1, 1, 1, 0.1, 0.015, 0.01, 0.001, 0.005, 0.001, 0.2, 1, 0.8, 1, 1, 0.3]
states = ["A", "B"]
#Fit model, auto set probabilities
model = hmm.MultinomialHMM(n_components=2, covariance_type="full")
model.fit([X])
#Predict states
Z = model.predict(X)
#Predict a sequence of hidden states based on visible states
logprob, state = model.decode(X, algorithm="viterbi")
print "States:", ", ".join(map(lambda x: states[x], state))
>>> States: A, B, B, B, B, A, A, A, A, A, B, B, B, B, B, B
我想知道如何分别训练状态A和状态B。
最佳答案
fit 方法采用观察序列列表。在您的示例中，假设您的 X 表示为 X1，而另一组表示为 X2，您只需运行:
model.fit([X1,X2])
关于python - 使用多类观察序列训练 hmmlearn HMM，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/32131086/