Мне кажется, я понимаю HMM по своей сути.С помощью HMM мы решаем оценку (вероятности испущенного seq), декодирование (наиболее вероятный скрытый seq) и проблему обучения (переходный процесс обучения и матрицу вероятности эмиссии из наблюдаемого набора последовательностей эмиссии).
Моя проблема связана с проблемой обучения.У меня есть последовательность эмиссии, но с этим у меня также есть связанные функции (имеется в виду значение скрытого состояния, но количество скрытых состояний неизвестно) для каждой последовательности.Как и в задаче обучения HMM, мы оцениваем скрытую последовательность (размер и матрицу вероятности), и для этого нам просто необходима последовательность излучения (размер скрытой последовательности можно оптимизировать, если она заранее не известна).
Я использую HMM library для своих вычислений.Конечно, это не вариант, который я хочу.
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]
Есть ли способ провести контролируемое обучение в HMM, если да, то как?Если нет, то могу ли я решить свою проблему с помощью HMM?Если это возможно, то как?