Question

我是隐藏马尔可夫模型的新手，并试验它我在{{3}的帮助下，基于观察一个携带或不携带伞的人来研究阳光/多雨/有雾天气的情景。在Python中。我的测试中使用的数据来自hmmlearn package（“test 1”的this page和test个文件。）

我创建了下面提供的简单代码，以便从测试数据中拟合无监督的HMM，然后将预测与预期输出进行比较。结果似乎非常好（10个正确预测中的7个）。

我的问题是：我怎么知道模型处理的隐藏状态到问题域中的真实状态的映射？（换句话说，我如何将响应与我的问题域的期望状态联系起来？）

这可能是一个非常天真的问题，但如果模型受到监督，我会理解，在为拟合方法提供Y值时，我给出了映射......但我根本无法弄清楚它是如何工作的在这种情况下。

代码：

import numpy as np
from hmmlearn import hmm

# Load the data from a CSV file
data = np.genfromtxt('training-data.csv', skip_header=1, delimiter=',',
                         dtype=str)

# Hot encode the 'yes' and 'no' categories of the observation
# (i.e. seeing or not an umbrella)
x = np.array([[1, 0] if i == 'yes' else [0, 1] for i in data[:, 1]])

# Fit the HMM from the data expecting 3 hidden states (the weather on the day:
# sunny, rainy or foggy)
model = hmm.GaussianHMM(n_components=3, n_iter=100, verbose=True)
model.fit(x, [len(x)])

# Test the model
test = ['no', 'no', 'no', 'yes', 'no', 'no', 'yes', 'yes', 'no', 'yes']
x_test = np.array([[1, 0] if i == 'yes' else [0, 1] for i in test])
y_test = ['foggy', 'foggy', 'foggy', 'rainy', 'sunny', 'foggy', 'rainy', 'rainy', 'foggy', 'rainy']

y_pred = model.predict(x_test)

mp = {0: 'sunny', 1: 'rainy', 2: 'foggy'} # THIS IS MY ASSUMPTION

print('\n\n\n')

print('Expected:')
print(y_test)
print('Predicted:')
print([mp[i] for i in y_pred])

结果：

Expected:
['foggy', 'foggy', 'foggy', 'rainy', 'sunny', 'foggy', 'rainy', 'rainy', 'foggy', 'rainy']
Predicted:
['foggy', 'foggy', 'sunny', 'rainy', 'foggy', 'sunny', 'rainy', 'rainy', 'foggy', 'rainy']

Answer 1

我的问题是：我怎么知道模型处理的隐藏状态到问题域中的真实状态的映射？（换句话说，我如何将响应与我的问题域的期望状态联系起来？）

基本上你不能。你能够手工制作这种映射（或者甚至它首先存在）的事实只是巧合来自极端简单的问题。

HMM（在这样的学习场景中）尝试找到（预定义数量）隐藏状态的最可能序列，但是像任何其他无监督学习一样无保证来匹配任何任务手。考虑到约束条件（马尔可夫假设，隐藏状态的数量，提供的观察结果），它只是尽可能地模拟现实 - 它不会神奇地检测出人们所问的实际问题（如此处 - 天气序列），而只是尝试解决其自身的内部优化问题 - 这是任意定义的隐藏状态的最可能序列，因此在马尔可夫假设下（独立于旧历史），所提供的观察很可能出现。

一般来说，你将无法如此轻易地解释这些状态，这里的问题非常简单，仅仅根据上面列出的假设 - 这个（天气状态）几乎是最可能被建模的东西。在其他问题中 - 它可以捕获任何有意义的东西。

如前所述 - 这不是HMM属性，而是任何无监督学习技术 - 当您对数据进行聚类时，您只能找到某些数据分区，这可能与您要查找的内容有某些关系 - 或没有。同样在这里 - HMM会找到一些动力学模型，但它可能与你所追求的完全不同。如果你知道你在寻找什么 - 你应该使用有监督的学习，这就是它的定义。无监督学习是找到某些结构（此处 - 动态），而不是特定结构。

hmmlearn中的HMM模型如何识别隐藏状态

1 个答案: