Hmm 训练与多个观察和 R 中的 mhsmm 包
Hmm training with multiple observations and mhsmm package in R
我想通过泊松观察来训练一个新的 hmm 模型，这是我唯一知道的。
我正在为 R 使用 mhsmm 包。
首先困扰我的是模型的初始化，在示例中是：
J<-3
initial <- rep(1/J,J)
P <- matrix(1/J, nrow = J, ncol = J)
b <- list(lambda=c(1,3,6))
model = hmmspec(init=initial, trans=P, parms.emission=b,dens.emission=dpois.hsmm)
在我的例子中，我没有排放分布参数的初始值，这就是我想要估计的。怎么样？
其次：如果我只有观察结果，我如何将它们传递给
h1 = hmmfit(list_of_observations, model ,mstep=mstep.pois)
为了获得训练好的模型？
list_of_observations，在示例中，包含状态向量、观察值之一和观察序列长度之一，通常通过模型模拟获得：
list_of_observations = simulate(model, N, rand.emis = rpois.hsmm)
编辑：发现这个老问题的答案部分解决了我的问题：
MHSMM package in R-Input Format?
这两行起到了作用：
train <- list(x = data.df$sequences, N = N)
class(train) <- "hsmm.data"
其中 data.df$sequences 是包含所有观察序列的数组，N 是包含每个序列的观察计数的数组。
尽管如此，初始模型是完全随机的，但我想这就是它的本意，因为它将被重新估计，对吗？
初始化问题不仅对于 HMM 和 HSMM 很关键，对于所有基于期望最大化算法形式的学习方法也是如此。 EM 在模型和数据之间的似然性方面收敛到局部最优值，但这并不总是保证达到全局最优值。
- 目标：找到排放分布的估计值，但它也适用于初始概率和 转换矩阵
- 算法：需要初始估计以从
开始优化
- 你: 必须提供初始"guess"参数
乍一看这似乎令人困惑，但 EM 算法需要一个点来开始 优化。然后它会进行一些计算，并让您更好地估计自己的初始猜测（如您所说，重新估计）。它无法在不初始化的情况下自行找到最佳参数。
根据我的经验，没有通用的方法来初始化保证收敛到全局最优的参数，但这更多地取决于手头的情况。这就是为什么初始化起着至关重要的作用（主要用于排放分布）。
我以前在这种情况下所做的是将训练数据分成不同的组（例如集合中某个参数的百分位数），估计这些组上的参数，然后将它们用作初始参数估计对于EM算法。基本上，你必须尝试不同的方法，看看哪种方法最有效。
如果类似的问题已经用 HMM 解决了，我建议搜索文献，并尝试他们的初始化方法。
我想通过泊松观察来训练一个新的 hmm 模型，这是我唯一知道的。 我正在为 R 使用 mhsmm 包。
首先困扰我的是模型的初始化，在示例中是：
J<-3
initial <- rep(1/J,J)
P <- matrix(1/J, nrow = J, ncol = J)
b <- list(lambda=c(1,3,6))
model = hmmspec(init=initial, trans=P, parms.emission=b,dens.emission=dpois.hsmm)
在我的例子中，我没有排放分布参数的初始值，这就是我想要估计的。怎么样？
其次：如果我只有观察结果，我如何将它们传递给
h1 = hmmfit(list_of_observations, model ,mstep=mstep.pois)
为了获得训练好的模型？
list_of_observations，在示例中，包含状态向量、观察值之一和观察序列长度之一，通常通过模型模拟获得：
list_of_observations = simulate(model, N, rand.emis = rpois.hsmm)
编辑：发现这个老问题的答案部分解决了我的问题： MHSMM package in R-Input Format? 这两行起到了作用：
train <- list(x = data.df$sequences, N = N)
class(train) <- "hsmm.data"
其中 data.df$sequences 是包含所有观察序列的数组，N 是包含每个序列的观察计数的数组。 尽管如此，初始模型是完全随机的，但我想这就是它的本意，因为它将被重新估计，对吗？
初始化问题不仅对于 HMM 和 HSMM 很关键，对于所有基于期望最大化算法形式的学习方法也是如此。 EM 在模型和数据之间的似然性方面收敛到局部最优值，但这并不总是保证达到全局最优值。
- 目标：找到排放分布的估计值，但它也适用于初始概率和 转换矩阵
- 算法：需要初始估计以从 开始优化
- 你: 必须提供初始"guess"参数
乍一看这似乎令人困惑，但 EM 算法需要一个点来开始 优化。然后它会进行一些计算，并让您更好地估计自己的初始猜测（如您所说，重新估计）。它无法在不初始化的情况下自行找到最佳参数。
根据我的经验，没有通用的方法来初始化保证收敛到全局最优的参数，但这更多地取决于手头的情况。这就是为什么初始化起着至关重要的作用（主要用于排放分布）。
我以前在这种情况下所做的是将训练数据分成不同的组（例如集合中某个参数的百分位数），估计这些组上的参数，然后将它们用作初始参数估计对于EM算法。基本上，你必须尝试不同的方法，看看哪种方法最有效。
如果类似的问题已经用 HMM 解决了，我建议搜索文献，并尝试他们的初始化方法。