Machine learning 利用隐马尔可夫模型进行预测

假设存在一系列观察，例如

[1,2,3,5,5,2,3,2,3，…，3,4]

。我试图使用Scikit中当前的HMM实现来预测这个观察序列的下一个值。关于这一点，我有两个问题

给定一系列观察结果，我如何预测下一个观察结果（如上所述）

给定多个n个观测序列和这些序列的n+1个观测序列，HMM可以用来预测新的n个观测序列的（n+1）次观测吗？如果是，怎么做

我无法从文档中了解这方面的内容

---

我发现了一个可能的方法，但它没有具体说明如何在Scikit中使用HMM学习预测序列中的下一个值。

Scikit非常清楚如何训练HMM模型，请检查此方法

---

HMM可用于对值列表进行采样，而每个预测仅取决于之前的状态

scikit非常清楚如何训练HMM模型，请检查此项

---

HMM可用于对值列表进行采样，而每个预测仅取决于之前的状态

HMM不适合此问题。他们擅长预测完全观测序列的标签（隐藏状态），而不是完成序列。尝试在观察窗口上训练分类器或回归模型，然后将其用于预测。即，在训练时，针对每个给定序列中的所有位置，将模型观测值

（I，…，I+k）

作为特征，将观测值

I+k+1

作为目标。在测试时，将最后的

k

观察值作为特征输入。

HMM不适合此问题。他们擅长预测完全观测序列的标签（隐藏状态），而不是完成序列。尝试在观察窗口上训练分类器或回归模型，然后将其用于预测。即，在训练时，针对每个给定序列中的所有位置，将模型观测值

（I，…，I+k）

作为特征，将观测值

I+k+1

作为目标。在测试时，将最后的

k

观察结果作为特征输入。

这是一项时间序列任务，没有理由相信HMMs在这里会起作用

---

我建议你看看时间序列方法——有一系列方法叫做时间序列方法，它们应该可以很好地工作。

这是一项时间序列任务，没有理由相信HMMs在这里可以工作

---

我建议你看看时间序列方法——有一系列叫做时间序列的方法，它们应该可以很好地工作。

我已经研究过了。如何使用一系列值来训练模型并获得该值列表？当使用fit（）方法时，[X]应该在形状中（n_I，n_特征）。如果我们只是想用一系列观察来训练模型，那么n_特征的值是多少？如果我们要把隐藏状态作为特征，我们怎么能提前知道这些隐藏状态？我已经研究过了。如何使用一系列值来训练模型并获得该值列表？当使用fit（）方法时，[X]应该在形状中（n_I，n_特征）。如果我们只想使用一系列观察来训练模型，那么n_特征的值是多少？如果我们要将隐藏状态作为特征，我们如何提前知道这些隐藏状态？是的。我意识到，嗯，在这里行不通。谢谢你的提示。是的。我意识到，嗯，在这里行不通。谢谢你的提示。