Python 如何使用HMM进行多类分类？

我必须用HMM做分类任务。我正在使用Python中的hmmlearn库

我的数据集由一系列观察向量（每个向量有17个值）组成，供每个用户分类。观测值服从高斯分布

总共有42个用户需要分类。对于每个用户，我使用40个观察向量用方法

model.fit（X）

拟合HMM，10个用于测试

我用

GaussianHMM（n_分量=10，协方差类型=diag'，n_iter=1000）设置HMM

，并为每个用户训练一个模型。 现在我必须将测试向量分类为一个可用的用户

我使用

model.score（X）

从测试集中传递一个向量。对于每个向量，我有我训练过的每个模型的该向量的分数（从文档记录的对数似然）。所以我必须采用概率最高（得分最高）的模型

---

这样，我的分类精度很差，那么在这种情况下，对观察向量进行分类的最佳策略是什么呢？

我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和/或方法-请参阅

机器学习

中的介绍和说明。