我使用hmmlearn的GaussianHMM来训练具有高斯观测的隐马尔可夫模型。每个隐藏状态k具有其对应的高斯参数：mu_k，Sigma_k。
训练模型后，我想计算以下数量：
P（z_ {T + 1} = j | x_ {1：T}），
其中j = 1,2，... K，K是隐藏状态的数量。
在给定完整的观察序列的情况下，上述概率基本上是一步前隐藏状态概率：x_1，x_2，...，x_T，其中x_i，i = 1，...，T用于训练HMM模型。
我阅读了documentation，但无法找到计算此概率的函数。有没有解决方法？
答案 0 :(得分：2)
您正在寻找的概率只是转换矩阵的一行。转换矩阵的第n行给出了在t+1知道系统处于t时的状态时转换到每个状态的概率。
为了知道在给定观察序列t的情况下系统处于哪个状态x_1,...,x_t，可以使用维特比算法，该算法是方法predict的默认设置。 hmmlearn。
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], :]
我建议你仔细看看这个显示具体用例的documentation。
答案 1 :(得分：0)
训练好HMM BaseAddress之后，您可以根据以下观察情况model t+1来获得1:t状态：
X根据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()
状态和t+1
t状态