python中hmm函数 python h

Python hmmlearn中的混淆矩阵是怎么表示的

hmmlearn这个库有三种模型，分别是Gaussian，Multinomial和GMMHMM。这三种模型对应的就是三种emission matrix（即混淆矩阵，也就是隐状态到观察态的概率）。Gaussian就是说混淆矩阵是一个高斯分布，即观察态是连续的。Multinomiual就是说混淆矩阵事一个Multibimiual distribution，即观察态势离散的。GMMHMM则是说混淆矩阵是遵循gaussinan mixture 分布，也是连续的。

创新互联从2013年创立，是专业互联网技术服务公司，拥有项目网站设计、成都网站制作网站策划，项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命，1280元上犹做网站,已为上家服务,为上犹各地企业和个人服务,联系电话:18980820575

题主问如何把混淆矩阵输入到模型里面。首先你要确定你的混淆矩阵的类型。对于Gaussian类型，就是把你希望的 mean和variance值放到模型里面。我就直接把文档里面的例子搬过来，例子里是建立了一个高斯分布的隐马尔科夫模型。

import numpy as np

from hmmlearn import hmm

#一个隐马尔科夫模型由（p向量，状态转移矩阵，混淆矩阵）来定义。

startprob = np.array([0.6, 0.3, 0.1])

# 定义初始状态的概率

transmat = np.array([[0.7, 0.2, 0.1], [0.3, 0.5, 0.2], [0.3, 0.3, 0.4]])#定义转移矩阵的概率

means = np.array([[0.0, 0.0], [3.0, -3.0], [5.0, 10.0]])

#定义混淆矩阵的均值

covars = np.tile(np.identity(2), (3, 1, 1))# 定义混淆矩阵的方差

model = hmm.GaussianHMM(3, "full", startprob, transmat)# 定义一个混淆矩阵为高斯分布的隐马尔科夫模型。 这里‘full’的意思就是说你输入的方差矩阵每个元素都给出了，不是一个只是对角线上的元素为0的矩阵

model.means_ = means

model.covars_ = covars#把你希望的均值方差输入你定义的模型里面，到此你就把混淆矩阵输入进模型了

X, Z = model.sample(100)

对于Multinomial 和 GMM，我还没用，不过Multinomial应该是需要你自己手动输入隐状态到观察态的概率的，而GMM应该是和Gaussian类型类似，只是需要多输入一个权重因子。

对于第二个问题，covariance_type意思是你的混淆矩阵的covariance matrix是什么类型，比如若只是对角线上的元素不为0，则把covariance_type设为‘diag’。

Python的函数都有哪些

【常见的内置函数】

1、enumerate(iterable,start=0)

是python的内置函数，是枚举、列举的意思，对于一个可迭代的(iterable)/可遍历的对象(如列表、字符串)，enumerate将其组成一个索引序列，利用它可以同时获得索引和值。

2、zip(*iterables,strict=False)

用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用*号操作符，可以将元组解压为列表。

3、filter(function,iterable)

filter是将一个序列进行过滤，返回迭代器的对象，去除不满足条件的序列。

4、isinstance(object,classinfo)

是用来判断某一个变量或者是对象是不是属于某种类型的一个函数，如果参数object是classinfo的实例，或者object是classinfo类的子类的一个实例，

返回True。如果object不是一个给定类型的的对象， 则返回结果总是False

5、eval(expression[,globals[,locals]])

用来将字符串str当成有效的表达式来求值并返回计算结果，表达式解析参数expression并作为Python表达式进行求值(从技术上说是一个条件列表)，采用globals和locals字典作为全局和局部命名空间。

【常用的句式】

1、format字符串格式化

format把字符串当成一个模板，通过传入的参数进行格式化，非常实用且强大。

2、连接字符串

常使用+连接两个字符串。

3、if...else条件语句

Python条件语句是通过一条或多条语句的执行结果(True或者False)来决定执行的代码块。其中if...else语句用来执行需要判断的情形。

4、for...in、while循环语句

循环语句就是遍历一个序列，循环去执行某个操作，Python中的循环语句有for和while。

5、import导入其他脚本的功能

有时需要使用另一个python文件中的脚本，这其实很简单，就像使用import关键字导入任何模块一样。

python内置sum函数如何按行求和

您好，Python内置的sum函数可以用来按行求和。sum函数可以接受一个可迭代对象，并返回这个可迭代对象中所有元素的总和。因此，如果要按行求和，可以使用sum函数，并将每一行作为一个可迭代对象传入sum函数，就可以按行求和了。例如，假设有一个二维数组A，其中每一行都是一个可迭代对象，那么可以使用sum函数按行求和，如下所示：

sums = [sum(row) for row in A]

这样，sums就是一个列表，其中每一个元素都是A中每一行的总和。

另外，sum函数还支持一个可选参数start，用于指定sum函数的初始值，默认值为0。例如，如果要求每一行的总和加上一个常数c，那么可以使用sum函数，如下所示：

sums = [sum(row, c) for row in A]

这样，sums就是一个列表，其中每一个元素都是A中每一行的总和加上常数c。

总之，Python内置的sum函数可以用来按行求和，可以接受一个可迭代对象，并返回这个可迭代对象中所有元素的总和，还支持一个可选参数start，用于指定sum函数的初始值，默认值为0。

python 高阶函数有哪些

1、高阶函数

变量可以指向函数，函数的参数可以接收变量，那么函数可以接收另一个函数作为参数，这种函数称为高阶函数。

(1)把函数作为实参

(2)把函数作为返回值

2、系统的内置高阶函数

(1)map函数：接收两个参数，一个是函数，一个是序列，map将传入的函数依次作用到序列的每个元素，并且把结果作为新的列表返回

(2)reduce函数：把一个函数作用到一个序列上，这个函数必须接收两个参数，reduce把结果和序列的下一个元素做累积计算

(3)filter函数：也接收一个函数和一个序列，和map函数不同的是，filter函数把传入的函数依次作用于每个元素，然后返回返回值是True的元素

(4)sorted函数：排序函数

把用户名按照首字母不区分大小写排序

(5)sorted()函数按照关键字排序

关键字：商品个数

(6)sorted()函数按照关键字排序，用键值来查找

(7)lambda匿名函数：有时候传参数时不需要显示自定义的函数，直接传入匿名函数更方便；冒号前面的x,y表示函数参数，匿名函数不需要担心函数名的冲突，匿名函数也是一个函数对象，可以把匿名函数赋值给一个变量，再利用变量来调用函数，匿名函数也可以作为返回值返回

3、高阶函数的应用：

(1)sorted函数：

(2)sorted函数默认是从小到大排序

4、装饰器

装饰器就是用来装饰函数的：想要增加原有函数的功能，但是不希望修改原有函数的定义，在代码运行期间动态增加功能的方式

(1)此装饰器的功能：计算函数的运行时间

import functools

@functools.wraps(f)   ##保留原有函数的属性

运行结果：

(2)此装饰器的功能：用户登录认证

运行结果：

(3)此装饰器的功能：认证用户的同时，显示用户的转账金额

import inspect

inspect.getcallargs()将传的参数封装为一个字典，字典的key值是形式参数，value值是实参

(4)此装饰器的功能：确保收到的每个参数都是整数，是整数就求和，否则抛出错误

(5)此装饰器的功能：给装饰器传参数，是整数和浮点数就求和

python学习网，大量的免费python视频教程，欢迎在线学习！

隐式马尔科夫模型 及 Python + HMMlearn的使用

hmmlearn

隐式马尔科夫模型Hidden Markov Models(HMMs) 是一种通用的概率模型。一个可观测的变量X的序列被一个内部的隐藏状态Z所生成。其中，隐藏状态Z无法被直接观测。在隐藏状态之间的转移被假设是通过 马尔科夫链(Markov chain) 的形式。

模型可以表示为 起始概率向量 和转移概率矩阵 . 一个观测量生成的概率可以是关于 的任意分布， 基于当前的隐藏状态。

HMMs的3个基本问题:

hmmlearn 是Python支持HMMs的包。原来是sklearn的一部分，后来由于接口不一致分成单独的包了。不过使用起来和sklearn的其他模型类似。

构造HMM model:

初始化的参数主要有 n_components , covariance_type , n_iter 。每个参数的作用我还没有研究。

通过 fit 方法。

输入是一个矩阵，包含拼接的观察序列concatenated sequences of observation (也就是samples)，和序列的长度。

EM算法是背后拟合模型的算法。基于梯度优化的方法。通常会卡到一个局部极优值上。通常用户需要用不同的初始化跑多次 fit ，然后选择分数最高的模型。

分数通过 score 方法计算。

推导出的最优的隐藏状态可以调用 predict 方法获得。 predict 方法可以指定解码器算法。当前支持的有 viterbi （Vierbi algorithm）和 map (posteriori estimation)。