首页 文章

如何在hmmlearn（Hidden Markov Model）中解码后将隐藏状态映射到相应的类别？

提问于
浏览 次
2

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))
python hidden-markov-models hmmlearn

1 回答

  • 3

    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 .

    def guess_labels(hmm, X, labels):
    result = [None] * hmm.n_components
    for label, y_t in zip(labels, hmm.predict(X)):
        assigned = result[y_t]
        if assigned is not None:
            # XXX clearly for any real data there might be
            #     (and there will be) conflicts. Here we just blindly
            #     hope the ``assert`` never fires.
            assert assigned == label
        else:
            result[y_t] = label
    return result
    回复于

相关问题