Question

使用此代码：

X = numpy.array(range(0,5))
model = GaussianHMM(n_components=3,covariance_type='full', n_iter=1000)
model.fit([X])

我得到了

tuple index out of range 
self.n_features = obs[0].shape[1]

那么你应该准确传递.fit（）的是什么？元组中隐藏的状态和排放？如果是这样的话？文档不太有用。

我注意到它喜欢传递元组，因为这不会出错：

X = numpy.column_stack([range(0,5),range(0,5)])
model = GaussianHMM(n_components=3,covariance_type='full', n_iter=1000)
model.fit([X])

编辑：

让我澄清一点，the documentation表示数组的正常性必须是：

类似阵列的观察序列列表（形状（n_i，n_features））。

这几乎表明你为每个样本传递一个元组，以二进制形式表示存在哪些观察结果。但是their example表示不是：

# pack diff and volume for training
X = np.column_stack([diff, volume])

因此混乱

Answer 1

看起来GaussianHMM函数仅用于多元发射HMM问题，因此需要具有> 1个发射矢量。当文件提到'n_features'时，它们并不是指排放可以表达自己的方式，而是指正交发射矢量的数量。

因此，“特征”（正交发射矢量）不应与“符号”相混淆，按照sklearn的说法（可能与我所知道的所有人共享的更大的hmm社区），请参考实际的唯一值系统能够发射。

对于单变量发射矢量问题，请使用MultinomialHMM。

希望澄清任何想要使用这些东西而不成为世界上最重要的HMM权威的人：）

Answer 2

我意识到这是一个旧线程，但示例代码中的问题仍然存在。我相信这个示例现在位于this link并且仍然会出现同样的错误：

tuple index out of range 
self.n_features = obs[0].shape[1]

令人讨厌的代码行是： model = GaussianHMM(n_components=5, covariance_type="diag", n_iter=1000).fit(X)

应该是： model = GaussianHMM(n_components=5, covariance_type="diag", n_iter=1000).fit([X])