隐马尔可夫模型的python库
Markov的Python项目详细描述
==
python隐马尔可夫模型库
==
==这个库是隐马尔可夫模型(hmm)的纯python实现。项目结构非常简单:
有助于模块markov:
name
markov-实现隐马尔可夫模型的库
file
markov.py
classes
poissonDistribution
Probability
Class Bayesian模型(内置对象)
给定priorprobs
maximum likelihood state(self,observations=none)
返回内部状态的最大可能性。如果Observations
为None,则默认为先前
outcomes(self)
返回对可能结果的迭代器
priorprobs(self,Observations,priordist=None)
返回表示Probabi的分布。给定观测值的概率分布,
utcomes
给定prior的特定分布,默认为
self.prior
iadd_uu(self,model2)
用另一个Bayesian模型中的数据更新Bayesian模型
prior是分配。条件是字典映射
/>|返回最有可能
sample(self)
从分布中选取随机样本
state s(self)
生成分布的状态
update(self,categories)
更新概率分布,根据分子和分母值字典
状态
在后一种情况下,可以使用laplacian
-————
此处定义的数据描述符:
提出了一个隐马尔可夫模型|_这里定义的内建方法:
lihood=false)
maximum likelihood state(self,observations=none)
返回内部状态的最大可能性。若观察值
为无,则默认为当前状态的最大可能性,或
前一个if self.current为无
结果(self)
预测(self)
返回一个分布,表示给定当前状态的下一个
状态的概率iorprobs(self,observations)
返回hmm状态的先验概率分布
条件probs
状态,结果是一个字典,将状态中的每个状态映射到输出状态的分布
给定priorprobs
继承自Bayesian模型:
|poisson分布
|
states(self,limit=1e-07)
产生泊松分布的状态,达到累积的
1-极限的概率
更新(self,n,p=1.0)
更新分布,给定一个值n,该值具有从该分布中提取的概率p
调用(self,n)
返回n
警告:
iptor继承d来自分布:
这里定义的方法:
给定另一个概率对象
_