使用石榴：如何在隐马尔可夫模型中生成概率

Question

为了训练一个HMM模型，我需要启动概率（pi）、转换概率和发射概率。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。培训数据为：

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

我试图用石榴来做这件事，但是在这个例子中，所有的州都有这样的概率：

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' )`

我的问题是如何得到概率。我试图使用石榴方法model.add_transition()，但我不知道应该给出哪个参数？有没有什么例子可以教我如何从我的数据中得到概率？在

Answer 1

石榴是一个工具，可以给你的状态标签（或概率）为你建模的序列使用HMM。石榴可以计算出你的开始概率，转移概率，和发射概率，如果你给我们的初始转移概率，发射概率基于你的领域知识问题。This是使用石榴的HMM的一个很好的起点。在

Answer 2

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，您可以使用石榴中的fit()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：确保输入的每个序列都是一个列表或numpy数组）

模型学习参数后，可以使用以下函数提取结果：

1. 要得到转移概率矩阵：

   model.dense_transition_matrix()

2. 要获得发射分布：

   print(model)

3. 如果希望使用模型生成样本：

   model.sample(length=10)

4. 通过使用上面的过渡和发射参数（如您所见）进行调整，并通过以下方式创建新模型，可以进一步改进模型：

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

石榴docs是获得这些函数每个细节的最佳来源。在