hmmlearn.hmm API中文

Python隐马尔可夫hmmlearn模块官方文档中文翻译 优快云
学习记录，如有错误，万望指点

• GaussianHMM

• class hmmlearn.hmm.GaussianHMM

  hmmlearn.hmm.GaussianHMM(n_components=1, covariance_type='diag', min_covar=0.001, startprob_prior=1.0, transmat_prior=1.0, means_prior=0, means_weight=0, covars_prior=0.01, covars_weight=1, algorithm='viterbi', random_state=None, n_iter=10, tol=0.01, verbose=False, params='stmc', init_params='stmc')
  

  符合高斯分布的隐马尔可夫模型(Hidden Markov Model)

• 参数

  参数	数据类型	意义
  n_components	int	状态数目
  covariance_type	string, optional	字符串描述所用协方差参数类型，必须是下述之一： - spherical : 每个状态用一个用于所有特征的方差值 - diag : 每个状态用一个对角协方差矩阵 - full : 每个状态用一个全（即无限制）协方差矩阵 - tied : 所有状态用相同的全协方差矩阵 默认diag
  min_covar	float, optional	协方差矩阵对角线的基底，用来防止过拟合。默认1e-3
  startprob_prior	array, shape (n_components, ), optional	startprob_用的Dirichlet先验分布的参数
  transmat_prior	array, shape (n_components, n_components), optional	transmat_转移概率每行的Dirichlet先验分布参数
  means_weight	means_prior,	means_中正态先验分布的均值和精度
  covars_weight	covars_prior,	所有协方差矩阵covars_的先验分布参数。 如果covariance_type is “spherical” or “diag”，先验分布是逆gamma分布，否则是逆Wishart分布
  algorithm	string, optional	解码器算法。只能是“viterbi” or`”map”，默认“viterbi”
  random_state	RandomState or an int seed, optional	一个随机数发生器实例
  n_iter	int, optional	要执行的最大迭代数
  tol	float, optional	收敛阈值。如果对数似然的增益低于这个值，EM会停止
  verbose	bool, optional	如果True，每轮迭代的收敛报告会输出发哦sys.stderr。你可以通过monitor_属性判定收敛
  params	string, optional	控制训练过程中是哪些参数更新。可以包含下述任意组合：‘s’ for startprob, ‘t’ for transmat, ‘m’ for means and ‘c’ for covars.默认全部参数
  init_params	string, optional	控制训练之前初始化哪些参数。可以包含下述任意组合：‘s’ for startprob, ‘t’ for transmat, ‘m’ for means and ‘c’ for covars.默认全部参数

• 属性

  属性	数据类型	意义
  n_features	int	高斯分布的维度
  monitor_	ConvergenceMonitor	用于检查EM收敛的监视器（Monitor）对象
  transmat_	array, shape (n_components, n_components)	状态间的转移概率矩阵
  startprob_	array, shape (n_components, )	初始的状态分布
  means_	array, shape (n_components, n_features)	每个状态的平均参数
  covars_	array	每个状态的协方差参数，形状取决于covariance_type： (n_components, ) if “spherical”, (n_features, n_features) if “tied”, (n_components, n_features) if “diag”, (n_components, n_features, n_features) if “full”

• 示例

  >>> from hmmlearn.hmm import GaussianHMM
  >>> GaussianHMM(n_components=2)
  ...                             #doctest: +ELLIPSIS +NORMALIZE_WHITESPACE
  GaussianHMM(algorithm='viterbi',...
  

• 方法

  • decode(X, lengths=None, algorithm=None)

    找出最可能与X对应的状态序列

    参数	数据类型	意义
    X	array-like, shape (n_samples, n_features)	个体样本的特征矩阵
    lengths	array-like of integers, shape (n_sequences, ), optional	X中个体序列的长度，其总和应为n_samples
    algorithm	string	解码器算法，必须是“viterbi” or “map”，如果没有指定则用decoder

    返回	数据类型	意义
    logprob	float	所生成状态序列的对数概率
    state_sequence	array, shape (n_samples, )	依据algorithm加密器获得的X中每个样本的标签

  • fit(X, lengths=None)

    估算模型参数

    进入EM算法之前执行的初始化步骤。如果你想获得参数集的子集以避免这一步，可以通过init_params传递关键字参数给评估构造器。

    参数	数据类型	意义
    X	array-like, shape (n_samples, n_features)	个体样本的特征矩阵
    lengths	array-like of integers, shape (n_sequences, )	X中个体序列的长度。其总和是n_samples

    返回	数据类型	意义
    self	object	self

  • get_stationary_distribution()

    计算状态的平稳分布

  • predict(X, lengths=None)

    找出与X最一致的状态序列

    参数	数据类型	意义
    X	array-like, shape (n_samples, n_features)	个体样本的特征矩阵
    lengths	array-like of integers, shape (n_sequences, )	X中个体序列的长度。其总和是n_samples

    返回	数据类型	意义
    state_sequence	array, shape (n_samples, )	X中每个样本的标签

  • predict_proba(X, lengths=None)

    计算模型中每个状态的后验概率

    参数	数据类型	意义
    X	array-like, shape (n_samples, n_features)	个体样本的特征矩阵
    lengths	array-like of integers, shape (n_sequences, )	X中个体序列的长度。其总和是n_samples

    返回	数据类型	意义
    posteriors	array, shape (n_samples, n_components)	X中每个样本的状态成员概率

  • sample(n_samples=1, random_state=None)

    从模型中生成随机样本

    参数	数据类型	意义
    n_samples	int	生成样本的数量
    random_state	RandomState or an int seed	一个随机数生成器示例。如果是None，使用对象的random_state

    返回	数据类型	意义
    X	array, shape (n_samples, n_features)	特征矩阵
    state_sequence	array, shape (n_samples, )	此模型生成的状态系列

  • score(X, lengths=None)

    计算模型下的对数概率

    参数	数据类型	意义
    X	array-like, shape (n_samples, n_features)	单个样本的特征矩阵
    lengths	array-like of integers, shape (n_sequences, ), optional	X中单序列的长度，其和应该是n_samples

    返回	数据类型	意义
    logprob	float	特X的对数似然

  • score_samples(X, lengths=None)

    计算模型下的对数似然，并计算后验概率

    参数	数据类型	意义
    X	array-like, shape (n_samples, n_features)	单个样本的特征矩阵
    lengths	array-like of integers, shape (n_sequences, ), optional	X中单序列的长度，其和应该是n_samples

    返回	数据类型	意义
    logprob	float	特X的对数似然
    posteriors	array, shape (n_samples, n_components)	X中每个样本的状态成员概率

• GMMHMM

• class hmmlearn.hmm.GMMHMM

   hmmlearn.hmm.GMMHMM(n_components=1, n_mix=1, min_covar=0.001, startprob_prior=1.0, transmat_prior=1.0, weights_prior=1.0, means_prior=0.0, means_weight=0.0, covars_prior=None, covars_weight=None, algorithm='viterbi', covariance_type='diag', random_state=None, n_iter=10, tol=0.01, verbose=False, params='stmcw', init_params='stmcw')
  

  高斯混合分布的隐马尔可夫模型

• MultinomialHMM

• class hmmlearn.hmm.MultinomialHMM

  hmmlearn.hmm.MultinomialHMM(n_components=1, startprob_prior=1.0, transmat_prior=1.0, algorithm='viterbi', random_state=None, n_iter=10, tol=0.01, verbose=False, params='ste', init_params='ste')
  

  多项式（离散）分布的隐马尔可夫模型