Python 将数据拟合到hmm。多项式hmm

我试图使用hmmlearn库预测给定一些数据的最佳序列，但我得到了一个错误。我的代码是：

from hmmlearn import hmm
trans_mat = np.array([[0.2,0.6,0.2],[0.4,0.0,0.6],[0.1,0.2,0.7]])
emm_mat = np.array([[0.2,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1],[0.1,0.1,0.1,0.1,0.2,0.1,0.1,0.1,0.1],[0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.2]])
start_prob = np.array([0.3,0.4,0.3])
X = [3,4,5,6,7]
model = GaussianHMM(n_components = 3, n_iter = 1000)
X = np.array(X)
model.startprob_ = start_prob
model.transmat_ = trans_mat
model.emissionprob_ = emm_mat

# Predict the optimal sequence of internal hidden state
x = model.fit([X])

print(model.decode([X]))

但我得到一个错误，说：

Traceback (most recent call last):
  File "hmm_loyalty.py", line 55, in <module>
    x = model.fit([X])
  File "build/bdist.macosx-10.6-x86_64/egg/hmmlearn/base.py", line 421, in fit
  File "build/bdist.macosx-10.6-x86_64/egg/hmmlearn/hmm.py", line 183, in _init
  File "/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn/cluster/k_means_.py", line 785, in fit
    X = self._check_fit_data(X)
  File "/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/sklearn/cluster/k_means_.py", line 758, in _check_fit_data
X.shape[0], self.n_clusters))
ValueError: n_samples=1 should be >= n_clusters=3

回溯（最近一次呼叫最后一次）：
文件“hmm_loyalty.py”，第55行，在
x=模型拟合（[x]）
文件“build/bdist.macosx-10.6-x86_64/egg/hmmlearn/base.py”，第421行，在fit中
文件“build/bdist.macosx-10.6-x86_64/egg/hmmlearn/hmm.py”，第183行，在_init中
文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site packages/sklearn/cluster/k_means_uu.py”，第785行
X=自检查拟合数据（X）
文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site packages/sklearn/cluster/k_means_uu.py”，第758行，在_check_fit_数据中
X.shape[0]，self.n_簇）
ValueError:n_samples=1应大于等于n_clusters=3

---

有人知道这意味着什么，我能做些什么来解决它吗

您的代码存在许多问题：

model

是一种

GaussianHMM

。您可能想要

多项式hmm

输入X的形状错误。对于

多项式hmm

X必须具有形状

（n_样本，1）

，因为观测值是一维的

除非需要估计某些模型参数，否则您不希望

fit

这是一个有效的版本

import numpy as np
from hmmlearn import hmm

model = hmm.MultinomialHMM(n_components=3)
model.startprob_ = np.array([0.3, 0.4, 0.3])
model.transmat_ = np.array([[0.2, 0.6, 0.2],
                            [0.4, 0.0, 0.6],
                            [0.1, 0.2, 0.7]])
model.emissionprob_ = np.array([[0.2, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1],
                                [0.1, 0.1, 0.1, 0.1, 0.2, 0.1, 0.1, 0.1, 0.1],
                                [0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.2]])

# Predict the optimal sequence of internal hidden state
X = np.atleast_2d([3, 4, 5, 6, 7]).T
print(model.decode(X))

---

作为一个快速的跟进，为什么我们要使用X的转置？因为在

np.之后，
X
的形状至少是
（1，n个样本）
。假设我没有设置模型参数，我将如何调用fit函数？它说我需要（n_样本，1），但上面的X形状不适合我。它仍然表示ValueError：多项式分布的预期样本该错误可能是由
X
不连续引起的。确保
X
包含
[X.min（）；X.max（）]
范围内的所有值。在
np.之后，X的形状至少为
（5，1）
，其中5为X，1为长度。那么我可以这样理解吗？？？（
model.fit（X，长度）
根据文件）@SergeiLebedev