隐马尔可夫模型使用hmmlearn收敛到一个状态

Question

我有一个机器学习问题，我试图解决。我使用具有5种状态的高斯HMM（来自hmmlearn），在序列中建模极端负，负，中性，正和极端正。我在下面的要点中设置了模型

https://gist.github.com/stevenwong/cb539efb3f5a84c8d721378940fa6c4c

report

问题在于，大多数估计的状态会收敛到中间，即使我可以明显地看到有正值的黑桃和负值的黑桃，但它们都集中在一起。知道如何让它更好地适应数据吗？

编辑1：

这是转换矩阵。我相信它在hmmlearn中读取的方式是跨越行（即，行[0]表示转移到自身的概率，状态1,2,3 ......）

import numpy as np
import pandas as pd
from hmmlearn.hmm import GaussianHMM

x = pd.read_csv('data.csv')
x = np.atleast_2d(x.values)

h = GaussianHMM(n_components=5, n_iter=10, verbose=True, covariance_type="full")
h = h.fit(x)
y = h.predict(x)

如果我将所有转换probs设置为0.2，它看起来像这样（如果我按状态平均分离更差）。

Answer 1

显然，你的模型学会了状态2的大变化.GMM是一个用最大似然标准训练的生成模型，所以从某种意义上说，你得到了数据的最佳拟合。我可以看到它在极端情况下提供有意义的预测，所以如果你想让它将更多的观察结果归属于2以外的类，我会尝试以下方法：

1. 数据预处理。尝试使用输入的日志值来使它们之间的区别更加清晰。
2. 看看你的转换矩阵，也许转换来自状态2的probs太低了。尝试将所有概率设置为相等，看看会发生什么。