我是隐藏马尔可夫模型的新手，为了试验它，我在Python的hmmlearn package的帮助下，根据观察一个携带或不携带雨伞的人来研究阳光/雨天/有雾天气的情景 . 我的测试中使用的数据来自this page（"test 1"的test和output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 . 结果似乎相当不错（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，如何将响应与我的问题域的所需状态联系起来？）
这可能是一个非常天真的问题，但是如果模型受到监督，我会理解，在为拟合方法提供Y值时，我给出了映射...但我无法弄清楚它在这种情况下是如何工作的 .
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：
预计：
['雾'，'雾'，'雾'，'下雨'，'阳光'，'雾'，'下雨'，'下雨'，'有雾'，'下雨']
预料到的：
['雾'，'雾'，'阳光'，'下雨'，'有雾'，'阳光'，'下雨'，'下雨'，'有雾'，'下雨']
1 回答
基本上 you cannot . 您能够手工制作这种映射（或者甚至它首先存在）的事实只是来自问题的极端简单性 .
HMM（在这样的学习场景中）试图找到最可能的（预定义量）隐藏状态的序列，但是像任何其他无监督学习一样，以匹配任何手头的任务 . 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），而只是尝试为了解决它自己的内部优化问题 - 这是最可能的隐藏状态序列，这样在马尔可夫假设下（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，而是任何无监督的学习技术 - 当您对数据进行聚类时，您只能找到 some 数据分区，这可能与您要查找的内容有关 - 或者没有 . 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 . 如果你正在寻找 - 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 some 结构（这里 - 动态），而不是 specific .