Machine learning 如何用hmmlearn解决基本的HMM问题

有三个基本的HMM问题：

问题1（可能性）：给定一个HMMλ=（A，B）和一个观察值 序列O，确定似然P（O |λ）

问题2（解码）：给定一个观察序列O和一个HMMλ= （A，B），发现最佳隐藏状态序列Q

问题3（学习）：给定观察序列O和 在HMM中的状态，学习HMM参数A和B

我对问题1和3感兴趣。一般来说，第一个问题可以用正向算法求解，第三个问题可以用Baum-Welch算法求解。我应该使用hmmlearn的

fit（X，length）

和

score（X，length）

方法分别解决第一个和第三个问题，对吗？（文档中没有说明

score

使用正向算法。）

我还有一些关于

score

方法的问题。为什么

score

计算log概率？为什么如果我将几个序列传递给

score

它会返回日志概率之和，而不是每个序列的概率

我最初的任务是：我有100万个大小相等的短句（10个单词）。我想用这些数据训练HMM模型，对于测试数据（同样是10个单词的句子），预测模型中每个句子的概率。基于这种可能性，我将决定这是一个普通的还是不寻常的短语

---

也许python有更好的库来解决这个问题？

如果要在单个序列上拟合模型，则应该分别使用

score（X）

和

fit（X）

来解决第一个和第三个问题（因为length=None是默认值，所以不需要显式传递它）。使用多个序列时，应将其长度列表作为长度参数传递，请参见

分数法计算数值稳定性的对数概率。将大量数字相乘可能会导致数字溢出或下溢-即，数字可能太大而无法存储在内存中，或者太小而无法区分零。解决方法是将它们的对数相加

score方法返回所有序列的对数概率之和，因为这就是它的实现方式。但是，您想要的功能的功能请求已在一个月前提交，因此可能很快就会出现。或者你可以简单地分别为每个序列打分

---

hmmlearn库是用于隐马尔可夫模型的一个很好的python库。我试过使用另一个库ghmm，我得到了奇怪的数值下溢。结果表明，他们对高斯HMM的Baum-Welch算法的实现在数值上是不稳定的。他们使用LU分解代替Cholesky分解来计算协方差矩阵的逆，这有时会导致协方差矩阵不再是半正定的。hmmlearn库使用Cholesky分解。我切换到hmmlearn，我的程序开始运行良好，因此我建议使用它。

如果要在单个序列上拟合模型，则应分别使用

score（X）

和

fit（X）

来解决第一个和第三个问题（因为length=None是默认值，所以无需显式传递）。使用多个序列时，应将其长度列表作为长度参数传递，请参见

分数法计算数值稳定性的对数概率。将大量数字相乘可能会导致数字溢出或下溢-即，数字可能太大而无法存储在内存中，或者太小而无法区分零。解决方法是将它们的对数相加

score方法返回所有序列的对数概率之和，因为这就是它的实现方式。但是，您想要的功能的功能请求已在一个月前提交，因此可能很快就会出现。或者你可以简单地分别为每个序列打分

hmmlearn库是用于隐马尔可夫模型的一个很好的python库。我试过使用另一个库ghmm，我得到了奇怪的数值下溢。结果表明，他们对高斯HMM的Baum-Welch算法的实现在数值上是不稳定的。他们使用LU分解代替Cholesky分解来计算协方差矩阵的逆，这有时会导致协方差矩阵不再是半正定的。hmmlearn库使用Cholesky分解。我切换到hmmlearn，我的程序开始运行良好，所以我推荐它