我想使用隐马尔可夫模型预测隐藏状态(解码问题)。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。我的程序是先根据观察序列(Baum-Welch算法)训练HMM。然后我进行解码(Viterbi 算法)以预测隐藏状态序列。
我的问题是如何将结果(非负整数)映射到它们相应的类别，如饥饿或休息。由于训练算法的不确定性，相同数据的每次训练参数都不同。因此，如果我像下面的代码那样做 map ，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))
最佳答案
这被称为标签转换问题。模型的对数似然对所有状态求和，因此与特定顺序无关。
据我所知，没有处理它的通用方法。您可能会尝试的事情包括:
- 找到部分标记的数据集，对其运行
predict并使用预测将状态索引映射到相应的标签。 - 针对每个状态下可能的参数值提出启发式方法。对于多项式，这可能会很棘手，但如果您建模，例如加速度计数据。
更新:从标记数据猜测状态到标签映射的临时版本。
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
关于python - hmmlearn(隐马尔可夫模型)解码后如何将隐藏状态映射到相应的类别？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/39756006/