训练hmlearn HMM与多类观察序列

Question

我有两个训练集（已知类的观察），代表我数据中的两种可能状态。我想让hmmlearn估计一下开始， 过渡和这两个训练集的排放概率。

我的数据是0-1之间的值列表。我已经将数据拆分为粗略的组＆＃39; A＆＃39;和＆＃39; B＆＃39;使用保守的阈值。我想使用HMM来细化我的数据更改状态的点。

对于单个列车/测试序列X，我会这样做：

X = [0, 1, 1, 1, 0.1, 0.015, 0.01, 0.001, 0.005, 0.001, 0.2, 1, 0.8, 1, 1, 0.3]
states = ["A", "B"]

#Fit model, auto set probabilities
model = hmm.MultinomialHMM(n_components=2, covariance_type="full")
model.fit([X])

#Predict states
Z = model.predict(X)

#Predict a sequence of hidden states based on visible states
logprob, state = model.decode(X, algorithm="viterbi")
print "States:", ", ".join(map(lambda x: states[x], state))
>>> States: A, B, B, B, B, A, A, A, A, A, B, B, B, B, B, B

我想知道如何分别训练A州和B州。

Answer 1

拟合方法采用观察序列列表。在您的示例中，假设您的X表示为X1，而另一个组表示为X2，您只需运行：

model.fit([X1,X2])