我们可以通过HMM来做监督学习吗？

Question

我相信我理解 HMM 的核心。通过 HMM，我们解决了评估（发出的 seq 的概率）、解码（最可能的隐藏 seq）和学习问题（从观察到的发射 seq 集中学习转换和发射概率矩阵）。

我的问题与学习问题有关。我有发射序列，但每个序列也有相关的特征（意味着隐藏状态值，但隐藏状态的数量未知）。与 HMM 的学习问题一样，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（如果事先未知，则可以优化隐藏序列的大小）。

我正在使用 HMM库进行计算。当然，它没有我想要的选项。

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]

有没有办法在 HMM 中进行监督学习，如果有的话怎么做？如果不能的话我还能用 HMM 解决我的问题吗？如果可以的话怎么办？

Answer 1

hmmlearn不实现监督学习（hmmlearn#109）。

seqlearn库实现了监督 HMM，但似乎没有实现 GMM。

然而，石榴库似乎用高斯混合模型实现了有监督的隐马尔可夫模型。像这样的东西：

import pomegranate as pg

X = ...
y = ...
distribution = pg.MultivariateGaussianDistribution
model = pg.HiddenMarkovModel.from_samples(distribution, n_components=5, X=X, labels=y, algorithm='labeled')