用多类观察序列训练HMM学习HMM

Question

我有两个训练集(已知类的观察值)表示数据中的两种可能状态。我想让hmmlearn估算起点，这两个训练集的跃迁概率和发射概率。

我的数据是一个0-1之间的值列表。我已经使用保守阈值将数据分为"A"one_answers"B"两组。我想使用HMM来细化数据改变状态的点。

对于单个训练/测试序列X，我会这样做:

X = [0, 1, 1, 1, 0.1, 0.015, 0.01, 0.001, 0.005, 0.001, 0.2, 1, 0.8, 1, 1, 0.3]
states = ["A", "B"]
#Fit model, auto set probabilities
model = hmm.MultinomialHMM(n_components=2, covariance_type="full")
model.fit([X])
#Predict states
Z = model.predict(X)
#Predict a sequence of hidden states based on visible states
logprob, state = model.decode(X, algorithm="viterbi")
print "States:", ", ".join(map(lambda x: states[x], state))
>>> States: A, B, B, B, B, A, A, A, A, A, B, B, B, B, B, B

我想知道如何分别训练状态A和状态B

Answer 1

fit方法接受一个观测序列列表。在您的示例中，假设您的X表示X1，另一组表示X2，您只需运行:

model.fit([X1,X2])