hmmlearn：在给定一个完整的观测序列1:T的情况下，如何得到T+1时刻的隐状态概率的预测

Question

我用hmmlearn的GaussianHMM训练一个具有高斯观测值的隐马尔可夫模型。每个隐态k都有其对应的高斯参数：mu_k，Sigma_k

在训练模型之后，我想计算以下数量：

p（z{T+1}=j | x{1:T}）

其中j=2。。。K、 K是隐藏状态的数目。在

以上概率基本上是一步前隐藏状态概率，给定一个完整的观察序列：x_1，x_2，…，x_T，其中x_i，i=1，…，T用于训练HMM模型。在

我读了documentation，但找不到计算这个概率的函数。有什么解决办法吗？在

Answer 1

你要找的概率只是转移矩阵的一行。转移矩阵的第n行给出了在t+1时刻转换到每个状态的概率，知道系统在t时刻的状态。在

为了知道系统在给定的观察序列的时间t处于什么状态，可以使用Viterbi算法，这是hmmlearn中方法predict的默认设置。在

model = hmm.GaussianHMM(n_components=3, covariance_type="full", n_iter=100)  # Viterbi is set by default as the 'algorithm' optional parameter.
model.fit(data)
state_sequence = model.predict(data)
prob_next_step = model.transmat_[state_sequence[-1], :]

我建议您仔细看看这个documentation，它显示了具体的使用示例。在

Answer 2

一旦训练了一个HMM model，就可以得到给定的1:t观察X状态，如下所示：

import numpy as np
from sklearn.utils import check_random_state
sates = model.predict(X)
transmat_cdf = np.cumsum(model.transmat_, axis=1)
random_sate = check_random_state(model.random_state)
next_state = (transmat_cdf[states[-1]] > random_state.rand()).argmax()

t+1状态是根据t状态和transmat_生成的