- 综合排序
- 最热优先
- 最新优先
- 来自专栏KI的算法杂记
使用hmmlearn框架实现中文分词
使用hmmlearn实现中文分词，我们要解决的核心问题就是计算三大矩阵：初始概率矩阵、转移概率矩阵以及发射概率矩阵。 初始概率矩阵是一个1 X 4维的矩阵，我们用pi表示。 coding: utf-8 -*- """ @Time ：2021/1/2 16:27 @Author ：KI @File ：HMM.py @Motto：Hungry And Humble """ from hmmlearn
65920编辑于 2022-09-19 - 来自专栏我的机器学习之路
使用hmmlearn分析股票数据
@猴子 求第三关门票 hmmlearn 原为sklearn中的模块，现在已经独立出来，需要另外安装。 pip install hmmlearn 这个库在ubuntu环境下安装很顺利，但是win7下安装老是出错，如果遇到出错的情况，可以去Python非官方第三方库网站下载whl文件自行使用pip安装。 因为hmmlearn的官方文档写得不清不楚，所以要学习hmmlearn之前要对隐马尔可夫模型有一定的了解。 首先要知道隐马尔可夫模型的五大要素、三大假设、三大问题。 在hmmlearn的官方文档中给出了使用hmmlearn分析股票隐藏状态的例子，相当于上述三大问题中的学习+解码问题。 导入数据 import numpy as np import matplotlib.pyplot as plt import tushare as ts from hmmlearn.hmm import
1.8K30发布于 2020-10-23 - 来自专栏机器学习算法原理与实践
用hmmlearn学习隐马尔科夫模型HMM
本文我们就从实践的角度用Python的hmmlearn库来学习HMM的使用。关于hmmlearn的更多资料在官方文档有介绍。 1. hmmlearn概述 hmmlearn安装很简单，"pip install hmmlearn"即可完成。 hmmlearn实现了三种HMM模型类，按照观测状态是连续状态还是离散状态，可以分为两类。 首先建立HMM的模型： import numpy as np from hmmlearn import hmm states = ["box 1", "box 2", "box3"] n_states 由于鲍姆-韦尔奇算法是基于EM算法的近似算法，所以我们需要多跑几次，比如下面我们跑三次，选择一个比较优的模型参数，代码如下： import numpy as np from hmmlearn import
4.2K40发布于 2018-08-07 - 来自专栏深度应用
[深度学习工具]·音频特征提取pyAudioAnalysis工具包
A-hmmlearn安装 hmmlearn的链接点击这里。安装hmmlearn有几个前提： ? 下载之后，我把hmmlearn-master放在python-3.5.2-0\Lib\目录，cmd窗口下cd进去，输入： 1 pip install -U --user hmmlearn 即可安装成功
3.1K40发布于 2019-06-27 - 来自专栏数据科学CLUB
隐马尔科夫模型
公式推导 Hmmlearn GaussianHMM GMMHMM MultinomialHMM 股票走势预测 特征准备 建立模型 可视化短线预测 参考资料 HMM 公式推导 在 HMM 中，有两个基本假设 记这个路径为： Hmmlearn hmmlearn中有三种隐马尔可夫模型:GaussianHMM、GMMHMM、MultinomialHMM。它们分别代表了观测序列的不同分布类型。 方法：参考hmmlearn.hmm.GaussianHMM 。 MultinomialHMM 多项式分布的隐马尔可夫模型,适合用于可见层状态是离散类型的情况。 方法：参考hmmlearn.hmm.GaussianHMM 。 参考资料 从机器学习到深度学习 hmmlearn文档 统计学习方法
1.2K10发布于 2020-06-10 - 来自专栏MiningAlgorithms
机器学习23：概率图--隐马尔可夫模型(HMM)
2，隐马尔可夫模型应用：hmmlearn、GMM-HMM 2.1，hmmlearn：pip install hmmlearn Hmmlearn实现了三种HMM模型类，按照观测状态是连续状态还是离散状态
2.3K20发布于 2019-08-08 - 来自专栏量化投资与机器学习
HMM、信号、时序、降噪（附代码）
HMM2State 是定义模型的底层scikit hmmlearn实现的简单包装，它绕过了fit() 阶段，定义了模型。 ? 6 替代方案（效果不佳） HMM的典型方法涉及使用前向—后向算法自动确定： 转移概率 观测分布 先验 例如： from hmmlearn.hmm import GaussianHMM rawsignal
1.9K50发布于 2020-09-25 - 来自专栏深度学习|机器学习|歌声合成|语音合成
基于HMM的语音识别搭建（未用HTK）
Describe: 建立语音识别 ''' import os import argparse import numpy as np from scipy.io import wavfile from hmmlearn
1.4K10发布于 2021-01-14 - 来自专栏小鹏的专栏
[语音识别] HMM理论理解+实战
54891582 ''' 下面抽取5次，得到已知的观察序列， 来对HMM的参数进行估计，即使用MultinomialHMM进行参数的训练 ''' import numpy as np import hmmlearn.hmm 0.51249909] [ 0.02464824 0.97535176]] 解码问题：已知观察序列，求什么样的隐藏状态序列最可能生成一个给定的观察序列 import numpy as np import hmmlearn.hmm ： https://www.jianshu.com/p/da633461684f https://www.jianshu.com/p/0f175b9781de ''' # 下面开始定义模型 ''' hmmlearn " ".join(map(lambda t: status[t], box_index))) print("概率值:", end="") print(np.exp(logprob)) # 这个是因为在hmmlearn
2.1K22发布于 2020-03-25 - 来自专栏深度学习自然语言处理
【实践】HMM模型在贝壳对话系统中的应用
label__overall_demand':17, '__label__detail_demand':18, '__label__end_words':19} 实验过程 首先安装需要用到的第三方库：hmmlearn ,在python的环境下用命令行“pip install hmmlearn”即可完成。 hmmlearn实现了三种类型的HMM模型，按照观测状态是连续的还是离散的可以分为两类。 在上述分析中，我们所要解决的问题中观测序列、隐藏序列都是离散的，因此这里我们选用hmmlearn.hmm.MultinomialHMM（n_components=n_states,n_iter=30,tol
2.4K10发布于 2020-02-17 - 来自专栏量化投资与机器学习
【HMM研究实例】运用HMM模型的择时策略
输入变量：当日对数收益率，五日对数收益率，当日对数高低价差（其他备选因素成交量、成交额等大家可以自行尝试） 混合高斯分布成分数目：1（为了简便，假定对数收益率服从单一高斯分布） HMM模型的算法使用hmmlearn
2.9K70发布于 2018-01-29 - 来自专栏量化投资与机器学习
高效灵活的概率建模方法基于Python
贝叶斯分类器 CG enrichment detection HMM GACTACGACTCGCGCTCGCGCGACGCGCTCGACATCATCGACACGACACTC GMM-HMM HMM比hmmlearn
1.4K50发布于 2018-01-29 - 来自专栏FreeBuf
基于大数据和机器学习的Web异常参数检测系统Demo实现
训练器(Trainer) 训练器完成对参数的训练，传入参数的所有观察序列，返回训练好的模型和profile，HMM模型使用python下的hmmlearn模块，profile取观察序列的最小得分。
3.2K80发布于 2018-02-24 - 来自专栏机器学习AI算法工程
基于机器学习的GitHub敏感信息泄露监控
程序解析 用到的第三方库：hmmlearn, joblib, nltk, numpy, pymongo, scikit-learn, tldextract 实现的功能主要是两个： 1) 找出更多人工没有想到或注意到的敏感关键字
1.4K30编辑于 2021-12-05 隐马尔可夫模型
对于大规模数据集，建议使用优化库（如hmmlearn）。 总结 隐马尔可夫模型通过隐藏状态和观测序列的关系，为时序数据分析提供了强大的工具。
56310编辑于 2025-12-17- 来自专栏哈哈熊
【机器学习】机器学习与语音识别的融合应用与性能优化新探索
from hmmlearn import hmm # 训练隐马尔可夫模型 model = hmm.GaussianHMM(n_components=5, covariance_type='diag',
94910编辑于 2024-08-06 - 来自专栏全栈程序员必看
HMM超详细讲解+代码[通俗易懂]
Gaussian-HMM: hmmlearn里面碰到了Gaussian-HMM的东西，一般我们假设观测和隐状态是离散的，不过可能并不都是这样。
2.5K30编辑于 2022-11-03 - 来自专栏大模型应用
大模型应用：马尔可夫链\HMM与混元大模型的融合：经典序列算法+语义理解.109
示例中的马尔可夫链状态转移图：示例 2：HMM 实现语音断点识别import numpy as npfrom hmmlearn import hmmimport matplotlib.pyplot as
21910编辑于 2026-05-17 - 来自专栏信数据得永生
NumPyML 源码解析（四）
sns.set_style("white") # 设置 seaborn 库的上下文为 notebook，字体比例为 0.8 sns.set_context("notebook", font_scale=0.8) # 从 hmmlearn.hmm 模块中导入 MultinomialHMM 类，并重命名为 MHMM from hmmlearn.hmm import MultinomialHMM as MHMM # 从 numpy_ml.hmm 模块中导入 est_ax.set_title("{} (Mine)".format(tt)) # 设置第三方库估计值轴的标题 est_theirs_ax.set_title("{} (hmmlearn )".format(tt)) # 设置整体图的标题，包括自己的对数似然和第三方库的对数似然 fig.suptitle("LL (mine): {:.2f}, LL (hmmlearn):
77110编辑于 2024-02-17 - 来自专栏信数据得永生
Python 人工智能：16~20
我们还将使用其他几个有用的包，例如hmmlearn和pystruct。 确保继续安装它们。 可以通过运行以下命令来安装这些包： $ pip3 install pandas $ pip3 install hmmlearn $ pip3 install pystruct $ pip3 install 创建一个新的 Python 文件并导入以下包： import datetime import numpy as np import matplotlib.pyplot as plt from hmmlearn.hmm datetime import warnings import numpy as np import matplotlib.pyplot as plt import yfinance as yf from hmmlearn.hmm
6.1K20编辑于 2023-04-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号