HMMlearn小结

模型报错

model=hmm.MultinomialHMM(n_components=n_states)

会产生报错
更改为

model=hmm.CategoricalHMM(n_components=n_states)

即可

模型参数意义

此处参考

https://blog.youkuaiyun.com/Lilo_/article/details/127657304

hmmlearn.hmm.MultinomialHMM(
    n_components=1,   # 隐藏状态的种类
    # 以下参数用于模型训练：
    n_trials=None, 
    startprob_prior=1.0, # 由模型本身对初始概率分布随机初始化
    transmat_prior=1.0,  # 由模型本身对状态转移概率随机初始化
    algorithm='viterbi',  # 解码方法
    n_iter=10, # 训练迭代的次数
    tol=0.01,  # 训练结束的阈值
    verbose=False,  # 训练过程是否可见
    params='ste',  # 训练过程中更新的参数，默认为所有的参数
    init_params='ste',  # 由模型进行随机初始化的参数，默认为所有的参数
    implementation='log')  # 选择对数/缩放进行前向或后向算法

s: 初始概率分布
t: 状态转移概率
e: 发射概率

预测部分模型参数调整

print(model.score(seen))
logprob,box=model.decode(seen,algorithm="viterbi")
print("The ball picked:",",".join('%s' %id for id in map(lambda x:np.array(observations)[x],seen)))
print("The hidden box",",".join('%s' %id for id in map(lambda x:np.array(states)[x],box)))

两个print都需要加上map之前的部分，否则会报错。