通过hmmlearn学习使用GaussianHMM高斯隐马尔科夫模型模型

Bertha 。 2022-06-01 06:14 311阅读 0赞

HMM主要解决的三个问题。  
假设隐藏状态序列和观测状态序列分别使用Z和X表示，则解决的3个问题可表示为:  
1.解码问题：已知模型参数和X，估计最可能的Z；维特比算法  
2.概率问题：已知模型参数和X，估计X出现的概率；向前-向后算法  
3.学习问题：仅给出X和隐藏层个数，估计模型参数。 B-W算法，通常是经过一定数量的训练以后，得到模型，然后解决问题1和2。  
小贴士:  
使用隐马尔可夫如何实现分类或者聚类？  
设置一个得分阈值T，例如T属于（-1000,0），步长为100，然后迭代计算准确率和召回率，取出现准确率和召回率最好情况的阈值T作为分类，聚类判定点。

下面代码使用GaussianHMM，解决问题3的例子：

#coding=utf-8
    ''' Created on 2018-1-22 @author: 10205025 '''
    import numpy as np
    from hmmlearn import hmm
    
    # 这里假设隐藏层数量为5个 
    model = hmm.GaussianHMM(n_components=5, n_iter=1000, tol=0.01,covariance_type="full")
    
    X1 = np.array([[2], [1],[0]])
    X2 = np.array([[2], [1],[0],[2]])
    X3 = np.array([[2], [1],[1]])
    X4 = np.array([[2], [1],[0]])
    X5 = np.array([[1], [2],[0]])
    
    X = np.vstack((X1,X2,X3,X4,X5))
    print X
    # [[2]
    # [1]
    # [0]
    # [2]
    # [1]
    # [0]
    # [2]
    # [2]
    # [1]
    # [1]
    # [2]
    # [1]
    # [0]
    # [1]
    # [2]
    # [0]]
    
    # 这里分别为X1,X2,X3,X4,X5的长度
    X_lens = [3,4,3,3,3]
    model.fit(X,X_lens)
    
    # 转换矩阵
    print model.transmat_
    # [[ 4.90994062e-267 8.00000000e-001 1.00000000e-001 1.00000000e-001
    # 4.90994062e-267]
    # [ 1.00000000e-001 2.00000000e-001 3.00000000e-001 3.00000000e-001
    # 1.00000000e-001]
    # [ 5.00000000e-001 3.59090699e-133 2.80458184e-133 2.80458184e-133
    # 5.00000000e-001]
    # [ 5.00000000e-001 3.59090699e-133 2.80458184e-133 2.80458184e-133
    # 5.00000000e-001]
    # [ 4.90994062e-267 8.00000000e-001 1.00000000e-001 1.00000000e-001
    # 4.90994062e-267]]
    
    # 正常的序列
    test1 = np.array([[2, 1,0,2,1,0]]).T
    print test1
    # [[2]
    # [1]
    # [0]
    # [2]
    # [1]
    # [0]]
    score = model.score(test1)
    print score
    # 10.1943163957
    
    # 不正常的序列
    test2 = np.array([[2, 1,0,2,1,0,3]]).T
    print test2
    # [[2]
    # [1]
    # [0]
    # [2]
    # [1]
    # [0]
    # [3]]
    score = model.score(test2)
    print score
    # -137.8727309