原文链接：http://tecdat.cn/?p=17592 

原文出处：拓端数据部落公众号

最近，咱们应用隐马尔可夫模型开发了一种解决方案，并被要求解释这个计划。

HMM用于建模数据序列，无论是从间断概率分布还是从离散概率分布得出的。它们与状态空间和高斯混合模型相干，因为它们旨在预计引起观测的状态。状态是未知或“暗藏”的，并且HMM试图预计状态，相似于无监督聚类过程。

视频：R语言中的隐马尔可夫HMM模型实例

例子

在介绍HMM背地的根本实践之前，这里有一个示例，它将帮忙您了解外围概念。有两个骰子和一罐软糖。B掷骰子，如果总数大于4，他会拿几颗软糖再掷一次。如果总数等于2，则他拿几把软糖，而后将骰子交给A。当初该轮到A掷骰子了。如果她的掷骰大于4，她会吃一些软糖，然而她不喜爱彩色的其余色彩（两极分化的认识），因而咱们心愿B会比A多。他们这样做直到罐子空了。

当初假如A和B在不同的房间里，咱们看不到谁在掷骰子。取而代之的是，咱们只晓得起初吃了多少软糖。咱们不晓得色彩，仅是从罐子中取出的软糖的最终数量。咱们怎么晓得谁掷骰子？HMM。

在此示例中，状态是掷骰子的人，A或B。察看后果是该回合中吃了多少软糖。如果该值小于4，骰子的掷骰和通过骰子的条件就是转移概率。因为咱们组成了这个示例，咱们能够精确地计算出转移概率，即1/12。没有条件说转移概率必须雷同，例如A掷骰子2时能够将骰子移交给他，例如，概率为1/36。

模仿

首先，咱们将模仿该示例。B均匀要吃12颗软糖，而A则须要4颗。

# 设置simulate <- function(N, dice.val = 6, jbns, switch.val = 4){  ＃模仿变量    ＃能够只应用一个骰子样本    ＃不同的机制，例如只丢1个骰子，或任何其余概率分布      b<- sample(1:dice.val, N, replace = T) + sample(1:dice.val, N, replace = T)    a <- sample(1:dice.val, N, replace = T) + sample(1:dice.val, N, replace = T)    bob.jbns <- rpois(N, jbns\[1\])    alice.jbns <- rpois(N, jbns\[2\])    # 状态     draws <- data.frame(state = rep(NA, N), obs = rep(NA, N),     # 返回后果    return(cbind(roll = 1:N, draws))# 模仿场景draws <- simulate(N, jbns = c(12, 4), switch.val = 4)# 察看后果ggplot(draws, aes(x = roll, y = obs)) + geom_line()

如您所见，仅查看一系列计数来确定谁掷骰子是艰难的。咱们将拟合HMM。因为咱们正在解决计数数据，因而察看值是从泊松散布中得出的。

fit.hmm <- function(draws){  # HMM   mod <- fit(obs ~ 1, data = draws, nstates = 2, family = poisson()  # 通过预计后验来预测状态  est.states <- posterior(fit.mod)  head(est.states)  # 后果   hmm.post.df <- melt(est.states, measure.vars =   # 输入表格  print(table(draws\[,c("state", "est.state.labels")\]))
## iteration 0 logLik: -346.2084 ## iteration 5 logLik: -274.2033 ## converged at iteration 7 with logLik: -274.2033 ##        est.state.labels## state   alice bob##   a     49   2##   b      3  46

模型迅速收敛。应用后验概率，咱们预计过程处于哪个状态，即谁领有骰子，A或B。要具体答复该问题，咱们须要更多地理解该过程。在这种状况下，咱们晓得A只喜爱黑软糖。否则，咱们只能说该过程处于状态1或2。下图显示了HMM很好地拟合了数据并预计了暗藏状态。

# 绘图输入    g0 <- (ggplot(model.output$draws, aes(x = roll, y = obs)) + geom_line() +        theme(axis.ticks = element\_blank(), axis.title.y = element\_blank())) %>% ggplotGrob    g1 <- (ggplot(model.output$draws, aes(x = roll, y = state, fill = state, col = state)) +           g0$widths <- g1$widths    return(grid.arrange(g0, g1plot.hmm.output(hmm1)

令人印象粗浅的是，该模型拟合数据和滤除噪声以预计状态的良好水平。偏心地说，能够通过疏忽工夫重量并应用EM算法来预计状态。然而，因为咱们晓得数据造成一个序列，因为察看下一次产生的概率取决于前一个即\（P（X\_t | X\_ {t-1}）\），其中\（X_t \ ）是软糖的数量。

思考到咱们结构的问题，这可能是一个绝对简略的案例。如果转移概率大得多怎么办？

 simulate(100, jbns = c(12, 4), switch.val = 7)
## iteration 0 logLik: -354.2707 ## iteration 5 logLik: -282.4679 ## iteration 10 logLik: -282.3879 ## iteration 15 logLik: -282.3764 ## iteration 20 logLik: -282.3748 ## iteration 25 logLik: -282.3745 ## converged at iteration 30 with logLik: -282.3745 ##        est.state.labels## state   alice bob##   alice    54   2##   bob       5  39
plot(hmm2)

这有很多乐音数据，然而HMM依然做得很好。性能的进步局部归因于咱们对从罐中取出的软糖数量的抉择。散布越显著，模型就越容易拾取转移。偏心地讲，咱们能够计算中位数，并将所有低于中位数的值都归为一个状态，而将所有高于中位数的值归为另一状态，您能够从后果中看到它们做得很好。这是因为转移概率十分高，并且预计咱们会从每个状态察看到类似数量的察看后果。当转移概率不同时，咱们会看到HMM体现更好。

如果察看后果来自雷同的散布，即A和B吃了雷同数量的软糖怎么办？

hmm3 <- fit.hmm(draws)plot(hmm3)

不太好，但这是能够预期的。如果从中得出察看后果的散布之间没有差别，则可能也只有1个状态。

理论如何估算状态？

首先，状态数量及其散布形式实质上是未知的。利用对系统建模的常识，用户能够抉择正当数量的状态。在咱们的示例中，咱们晓得有两种状态使事件变得容易。可能晓得确切的状态数，但这并不常见。再次通过零碎常识来假如察看后果通常是正当的，这通常是正当的。

从这里开始，应用 Baum-Welch算法 来预计参数，这是EM算法的一种变体，它利用了观测序列和Markov属性。除了预计状态的参数外，还须要预计转移概率。Baum-Welch算法首先对数据进行正向传递，而后进行反向传递。而后更新状态转移概率。而后反复此过程，直到收敛为止。

在事实世界

在事实世界中，HMM通常用于

  • 股票市场预测，无论市场处于牛市还是熊市 
  • 预计NLP中的词性
  • 生物测序
  • 序列分类

仅举几例。只有有察看序列，就能够应用HMM，这对于离散状况也实用。

最受欢迎的见解

1.用R语言模仿混合制排队随机服务排队零碎

2.R语言中应用排队论预测等待时间

3.R语言中实现马尔可夫链蒙特卡罗MCMC模型

4.R语言中的马尔科夫机制转换(Markov regime switching)模型模型")

5.matlab贝叶斯隐马尔可夫hmm模型

6.用R语言模仿混合制排队随机服务排队零碎

7.Python基于粒子群优化的投资组合优化

8.R语言马尔可夫转换模型钻研交通伤亡人数事变预测

9.用机器学习辨认一直变动的股市情况——隐马尔可夫模型的利用