hmmlearn使用简介

最新推荐文章于 2024-12-29 16:18:04 发布

Esctrionsit

最新推荐文章于 2024-12-29 16:18:04 发布

阅读量7.2k

点赞数 7

分类专栏：生信文章标签： python 机器学习

本文链接：https://blog.csdn.net/Esctrionsit/article/details/107730170

版权

本文介绍了hmmlearn库在Python中的使用，该库用于处理隐马尔可夫模型（HMM）。内容涵盖MultinomialHMM模型，包括模型定义、维特比算法预测状态和计算观测概率。hmmlearn是无监督学习库，适用于语音识别和生物信息学等领域。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

隐含马尔可夫模型（Hidden Markov Model，HMM）最初是在20世纪60年代后半期，由Leonard E. Baum和其他一些作者在一系列统计学论文中描述的。其最初应用于语音识别领域。

1980年代后半期，HMM开始应用到生物序列，尤其是DNA序列的分析中。随后，在生物信息学领域，HMM逐渐成为一项不可或缺的技术。

本文内容包含来自：
[1] 用hmmlearn学习隐马尔科夫模型HMM
[2] 官方文档

1. hmmlearn

hmmlearn曾经是scikit-learn项目的一部分，现已独立成单独的Python包，可直接通过pip进行安装，为无监督隐马尔可夫模型。其官方文档网址为https://hmmlearn.readthedocs.io/en/stable/。其有监督的版本为seqlearn。

pip3 install hmmlearn

hmmlearn提供三种模型：

名称	简介	观测状态
`hmm.GaussianHMM`	Hidden Markov Model with Gaussian emissions.	连续
`hmm.GMMHMM`	Hidden Markov Model with Gaussian mixture emissions.	连续
`hmm.MultinomialHMM`	Hidden Markov Model with multinomial (discrete) emissions	离散

2. MultinomialHMM

方法声明为

class 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')

其中，较为常用（或将更新）的参数为：

n_components：（int）隐含状态个数
n_iter：（int, optional）训练时循环（迭代）最大次数
tol：（float, optional）Convergence threshold. EM will stop if the gain in log-likelihood is below this value.
verbose：（bool, optional)赋值为True时，会向标准输出输出每次迭代的概率（score）与本次
init_params：（string, optional）决定哪些参数会在训练时被初始化。‘s’ for startprob, ‘t’ for transmat, ‘e’ for emissionprob。空字符串""代表全部使用用户提供的参数进行训练。

2.1 定义、使用：

import numpy as np
from hmmlearn import hmm

states = ["box 1", "box 2"

最低0.47元/天解锁文章