Python 我们可以通过HMM进行监督学习吗？

我相信我理解它的核心。通过HMM，我们解决了评估（发射序列的概率）、解码（最可能隐藏序列）和学习问题（从发射序列的观测集学习转移和发射概率矩阵）

我的问题与学习问题有关。我有发射序列，但我也有每个序列的相关特征（意味着隐藏状态值，但隐藏状态的数量未知）。在隐马尔可夫模型的学习问题中，我们估计隐藏序列（大小和概率矩阵），为此我们只需要发射序列（如果事先不知道隐藏序列的大小，可以对其进行优化）

我正在使用HMM进行计算。当然，它没有 我想要的选择

import numpy as np
import pandas as pd

from hmmlearn import hmm

filenames =  [f for f in os.listdir(dir_path) if '.csv' in f.lower()]
d1 = pd.read_csv(dir_path + filenames[0]).as_matrix() # Shape = [m, 3] => first two column is featute and last is the emission-state 
d2 = pd.read_csv(dir_path + filenames[1]).as_matrix() # Shape = [m, 3]


##
remodel = hmm.GaussianHMM(n_components=4, covariance_type="full", n_iter=100)

remodel.fit(d1[:, 0:2])  # Problem would have been solved if there was supervised option to pass the states as well 

pred_1 = remodel.predict(d1[:, 0:2])
true_1 = d1[:, -1] # Last column is state of the feature in 1, 2 column.

pred_2 = remodel.predict(d2[:, 0:2])
true_2 = d2[:, -1]

---

有没有一种方法可以在HMM中进行监督学习？如果有，如何进行？如果不是，那么我仍然可以使用HMM解决我的问题吗？如果可能的话，那怎么办

hmmlearn

不实施监督学习（）

该库实现了受监督的HMM，但似乎没有实现GMM

然而，该库似乎用高斯混合模型实现有监督的隐马尔可夫模型。大概是这样的：

将石榴作为pg导入
X=。。。
y=。。。
分布=pg.多变量高斯分布
model=pg.HiddenMarkovModel.来自样本（分布，n\u分量=5，X=X，labels=y，算法='labeled'）