我正在尝试使用 Hmmlearn 来适应和训练 HMM，但是我收到了这个我不完全理解的奇怪警告：
使用仅包含550034个数据点的117917879自由标量参数拟合模型将导致退化解。
我使用了一个相当大的数据集，但我不明白117917879自由标量参数从何而来，以及拥有退化解决方案意味着什么。
我定义我的嗯如下：
from hmmlearn import hmm
# vocab_size = 10858, is the number of states
model = hmm.GaussianHMM(n_components=vocab_size, covariance_type="full")
# frequency_list = list of length 1058, containing the initial probability of each state
model.start_prob_ = np.array(frequency_list)
# transitions is a (10858, 10858) containing the transition probabilities
model.transmat_ = np.array(transitions)
# integer_array = My data converted to an array (size = 550034)
integer_array = integer_array.reshape(-1,1)
model.fit(integer_array)
谁能帮我改进，或者至少解释一下标量参数的来源，以及什么是退化解决方案？
是因为在任何给定的 N 状态 HMM 中都有大约 N^2 个状态。 这意味着有多种解决方案。
想想a+bx = y，如果你有两个点(x1，y1(和(x2，y2(，那么你可以找到a和b的答案，但是如果你只有一个点(x1，y1(，那么a和b将有无限数量的解。这就是退化解决方案的含义。