我想用隐马尔可夫模型(解码问题)预测隐藏状态 . 数据是分类的 . 隐藏的状态包括饥饿,休息,运动和电影 . 观察集包括食品,家庭,户外和娱乐以及艺术和娱乐 . 我的程序首先根据观察序列(Baum-Welch算法)训练HMM . 然后我做解码(维特比算法)来预测隐藏状态序列 .
我的问题是我如何将结果(非负整数)映射到相应的类别,如Hungry或Rest . 由于训练算法的非确定性属性,对于相同数据的每次训练,参数是不同的 . 因此,如果我按照以下代码执行映射,则隐藏状态序列每次都不同 .
代码如下:
from __future__ import division
import numpy as np
from hmmlearn import hmm
states = ["Hungry", "Rest", "Exercise", "Movie"]
n_states = len(states)
observations = ["Food", "Home", "Outdoor & Recreation", "Arts & Entertainment"]
# The number in this sequence is the index of observation
category_sequence = [1, 0, 1, 2, 1, 3, 1]
Location = np.array([category_sequence]).T
model = hmm.MultinomialHMM(n_components=n_states).fit(Location)
logprob, result = model.decode(Location)
print "Category:", ", ".join(map(lambda x: observations[x], Location.T[0]))
print "Intent:", ", ".join(map(lambda x: states[x], result))
1 回答
这被称为标签切换问题 . 模型的对数似然性在所有状态上求和,因此与特定排序无关 .
据我所知,没有处理它的一般方法 . 您可能会尝试的事项包括:
查找部分标记的数据集,对其运行
predict
并使用预测将状态索引映射到相应的标签 .在每个状态中为可能的参数值提供启发式算法 . 对于多项式来说这可能很棘手,但是如果你建模,则可以做到这一点 . 加速度计数据 .
Update :一种特殊版本的猜测状态,用于标记来自标记数据的映射 .