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
_
欢迎加入QQ群-->： 979659372
