Biblioteka Python do implementacji ukrytych modeli Markowa

15

Jakiej stabilnej biblioteki Python mogę użyć do implementacji ukrytych modeli Markowa? Potrzebuję go w miarę dobrze udokumentować, ponieważ nigdy tak naprawdę nie korzystałem z tego modelu.

Alternatywnie, czy istnieje bardziej bezpośrednie podejście do przeprowadzania analizy szeregów czasowych na zbiorze danych przy użyciu HMM?

python time-series markov-process użytkownik140323
źródło
Istnieje alternatywna implementacja sklearn HMM, która wydaje się mieć aktywny wkład, który można znaleźć tutaj: github.com/hmmlearn/hmmlearn Nie korzystałem z niej wcześniej, więc nie mogę powiedzieć, jak dobra jest, ale patrząc na przykłady wydają się dość proste.
Kyle.

Odpowiedzi:

10

Aby uzyskać inne alternatywne podejście, możesz spojrzeć na bibliotekę PyMC. Istnieje dobra treść https://gist.github.com/fonnesbeck/342989 stworzona przez Fonnesbeck, która przeprowadzi cię przez proces tworzenia HMM.

A jeśli naprawdę zainteresujesz się PyMC, istnieje niesamowita książka open source o modelowaniu bayesowskim - https://github.com/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers . Nie opisuje on wyraźnie Ukrytych Procesów Markowa, ale daje bardzo dobry samouczek na temat samej biblioteki z dużą ilością przykładów.

Snejana Shegheva
źródło
8

Jako aktualizację tego pytania uważam, że przyjęta odpowiedź nie jest najlepsza od 2017 r.

Jak zasugerowano w komentarzach Kyle'a, hmmlearnobecnie jest to biblioteka, w której można używać HMM w Pythonie.

Kilka powodów:

  • Dokumentacja up-to-date , że jest bardzo szczegółowy i zawiera samouczek

  • _BaseHMMKlasa, z której niestandardowych podklasa może dziedziczyć dla realizacji warianty hmm

  • Kompatybilny z ostatnimi wersjami Python 3.5+

  • Intuicyjne użytkowanie

Przeciwnie, ghmm biblioteka nie obsługuje Python 3.x zgodnie z bieżącą dokumentacją. Większość stron z dokumentacją została wygenerowana w 2006 roku. Na pierwszy rzut oka nie wygląda na bibliotekę z wyboru ...

Edycja: Nadal obowiązuje w 2018 r.

Eskapp
źródło
5

biblioteka granatów ma obsługę HMM, a dokumentacja jest naprawdę pomocna. Po wypróbowaniu wielu bibliotek hmm w Pythonie uważam, że jest to całkiem dobre.

Kirubakumaresh
źródło
2

Dla alternatywnego podejścia, być może nawet w celu ułatwienia zrozumienia, prawdopodobnie znajdziesz jakąś użyteczność w przeprowadzaniu analizy za pośrednictwem R. Proste samouczki oparte na szeregach czasowych obfitują w kwanty [wannabe], które powinny zapewnić bootstrap. Część 1 , Część 2 , Część 3 , Część 4 . Zapewniają one źródła do generowania / pobierania danych, a także manipulacji, co pozwala ominąć większość pracy, aby móc zobaczyć rzeczywiste metody HMM w pracy. Istnieją bezpośrednie analogie do implementacji języka Python.

Na marginesie, dla bardziej teoretycznego wprowadzenia, być może Rabiner może dostarczyć pewnych spostrzeżeń

Shawn Mehan
źródło
2

Ghmm biblioteka może być ten, który szukasz.

Jak powiedziano na ich stronie internetowej:

Służy do wdrażania wydajnych struktur danych i algorytmów dla podstawowych i rozszerzonych HMM o dyskretnych i ciągłych emisjach. Jest wyposażony w otoki Pythona, które zapewniają znacznie ładniejszy interfejs i dodatkową funkcjonalność.

Ma również ładną dokumentację i samouczek krok po kroku, jak zmoczyć stopy.

Dawny33
źródło