hmmlearn：在给定完整观察序列的情况下，如何在时间T + 1获得隐藏状态概率的预测1：T

Question

我使用hmmlearn的GaussianHMM训练具有高斯观测值的隐马尔可夫模型。每个隐藏状态k都有其对应的高斯参数：mu_k，Sigma_k。

训练模型后，我想计算以下量：

P（Z_ {T + 1} = j的| X_ {1：T}），

其中j = 1， 2，... K，K是隐藏状态的数量。

以上概率基本上是一步提前隐藏状态概率，给定了一系列完整的观测值：x_1，x_2，...，x_T，其中x_i，i = 1，...，T被使用训练HMM模型。

我读了documentation，但找不到函数来计算这个概率。有什么解决方法吗？

Answer 1

您正在查找的概率只是转换矩阵的一行。转换矩阵的第n行给出在知道系统处于时间t的状态时在时间t+1处转换到每个状态的概率。

为了知道在该状态下系统是在给定观察序列x_1,...,x_t一个可以使用维特比算法是该方法的predict在hmmlearn默认设定时间t。

model = hmm.GaussianHMM(n_components=3, covariance_type="full", n_iter=100) # Viterbi is set by default as the 'algorithm' optional parameter. 
model.fit(data) 
state_sequence = model.predict(data) 
prob_next_step = model.transmat_[state_sequence[-1], :] 

我建议你给这个documentation显示具体的使用范例一探究竟。