ไลบรารี Python เพื่อใช้โมเดล Markov ที่ซ่อนอยู่


15

ห้องสมุดไพ ธ อนที่มีเสถียรภาพอะไรบ้างที่ฉันสามารถใช้เพื่อสร้างโมเดลมาร์คอฟที่ซ่อนอยู่ได้ ฉันต้องการเอกสารที่ดีพอสมควรเพราะฉันไม่เคยใช้รุ่นนี้มาก่อน

อีกวิธีหนึ่งมีวิธีที่ตรงกว่าในการทำการวิเคราะห์อนุกรมเวลาบนชุดข้อมูลโดยใช้ HMM หรือไม่


มีการนำไปใช้ทางเลือกอื่นของ Sklearn HMM ที่ดูเหมือนจะมีส่วนร่วมอย่างแข็งขันที่สามารถพบได้ที่นี่: github.com/hmmlearn/hmmlearnฉันไม่ได้ใช้งานมาก่อนดังนั้นฉันจึงไม่สามารถพูดได้ว่ามันดีแค่ไหน แต่ดูที่ ตัวอย่างมันดูเหมือนจะตรงไปตรงมาค่อนข้าง
ไคล์

คำตอบ:


10

สำหรับวิธีการทางเลือกอื่นคุณสามารถดูที่ห้องสมุด PyMC มีส่วนสำคัญคือhttps://gist.github.com/fonnesbeck/342989สร้างโดย Fonnesbeck ซึ่งจะนำคุณไปสู่การสร้าง HMM

และถ้าคุณเป็นจริงๆกระตือรือร้นเกี่ยวกับ PyMC มีหนังสือที่เปิดแหล่งที่มาที่น่ากลัวเกี่ยวกับการสร้างแบบจำลองแบบเบย์ - https://github.com/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers มันไม่ได้อธิบายอย่างชัดเจนถึงกระบวนการมาร์คอฟที่ซ่อนอยู่ แต่มันให้การสอนที่ดีมากเกี่ยวกับห้องสมุดด้วยตัวอย่างมากมาย


8

จากการอัปเดตของคำถามนี้ฉันเชื่อว่าคำตอบที่ยอมรับนั้นไม่ดีที่สุดในปี 2560

ตามที่แนะนำในข้อคิดเห็นโดย Kyle hmmlearnปัจจุบันเป็นไลบรารีสำหรับ HMM ใน Python

ด้วยเหตุผลหลายประการ:

  • ขึ้นไปวันที่เอกสารที่มีรายละเอียดมากและรวมถึงการกวดวิชา

  • _BaseHMMระดับที่ subclass กำหนดเองสามารถสืบทอดสายพันธุ์สำหรับการดำเนินการ HMM

  • เข้ากันได้กับ Python 3.5+ เวอร์ชั่นล่าสุด

  • ใช้งานง่าย

ตรงข้ามกับสิ่งนี้ghmm ไลบรารีไม่สนับสนุน Python 3.x ตามเอกสารปัจจุบัน หน้าเอกสารส่วนใหญ่สร้างขึ้นในปี 2549 ดูเหมือนจะไม่ได้เป็นห้องสมุดแรกของทางเลือก ...

แก้ไข:ยังใช้ได้ในปี 2018


5

ห้องสมุดทับทิมมีการสนับสนุน HMM และเอกสารเป็นประโยชน์จริง ๆ หลังจากลองใช้ไลบรารี hmm จำนวนมากในหลามฉันพบว่ามันค่อนข้างดี


2

สำหรับแนวทางอื่นอาจช่วยเสริมความเข้าใจคุณอาจพบประโยชน์บางอย่างในการวิเคราะห์บางอย่างผ่านทางบทช่วยสอนแบบเรียลไทม์ของอาร์ซีรีส์อาร์ที่ใช้เวลามากสำหรับ [wannabe] สิ่งที่ควรให้ bootstrap ส่วนที่ 1 , ตอนที่ 2 , ตอนที่ 3 , ตอนที่ 4 สิ่งเหล่านี้ให้แหล่งข้อมูลสำหรับการสร้าง / การรับข้อมูลรวมถึงการจัดการทำให้คุณสามารถหลีกเลี่ยงงานส่วนใหญ่เพื่อดูวิธีการ HMM จริงในที่ทำงาน มี analogues โดยตรงกับการใช้งาน Python

ในฐานะที่เป็นบันทึกด้านข้างสำหรับการแนะนำทางทฤษฎีมากกว่านี้บางทีRabinerอาจให้ข้อมูลเชิงลึกบางอย่าง


2

ghmmห้องสมุดอาจจะเป็นหนึ่งที่คุณกำลังมองหา

ตามที่กล่าวไว้ในเว็บไซต์ของพวกเขา:

มันถูกใช้สำหรับการใช้โครงสร้างข้อมูลและอัลกอริทึมที่มีประสิทธิภาพสำหรับ HMM พื้นฐานและขยายด้วยการปล่อยแบบไม่ต่อเนื่องและต่อเนื่อง มันมาพร้อมกับห่องูหลามซึ่งให้อินเตอร์เฟซที่ดีกว่าและการทำงานที่เพิ่มขึ้น

นอกจากนี้ยังมีเอกสารที่ดีและการสอนทีละขั้นตอนเพื่อให้เท้าของคุณเปียก

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.