我们可以通过HMM进行有监督的学习吗？

Question

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

我的问题与学习问题有关。我有发射序列但是我也有每个序列的相关特征（意味着隐藏状态值，但隐藏状态的数量是未知的）。在HMM的学习问题中，我们估计隐藏序列（大小和概率矩阵），并且为此我们只需要发射序列（如果事先不知道则可以优化隐藏序列的大小）。

我正在使用HMM library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中进行有监督的学习，如果是，那么如何？如果没有，那么我仍然可以使用HMM解决我的问题吗？如果有可能那么如何？

Answer 1

hmmlearn没有实施有监督的学习（hmmlearn#109）。

seqlearn库实现了有监督的HMM，但似乎没有实现GMM。

然而，图书馆pomegranate似乎用高斯混合模型实现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')