Бібліотека Python для реалізації прихованих моделей Маркова

Яку стабільну бібліотеку Python можна використовувати для реалізації прихованих моделей Маркова? Мені потрібно, щоб це було досить добре зафіксовано, тому що я ніколи не використовував цю модель раніше.

Як варіант, чи існує більш прямий підхід до аналізу часових рядів набору даних за допомогою HMM?

Для іншого альтернативного підходу ви можете подивитися в бібліотеці PyMC. Існує хороша історія https://gist.github.com/fonnesbeck/342989, створена Fonnesbeck, яка проводить вас через створення HMM.

І якщо ви по-справжньому нетерплячі з PyMC, є дивовижна книга з відкритим кодом про байєсівське моделювання - https://github.com/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers . Він прямо не описує прихованих процесів Маркова, але дає дуже хороший підручник щодо самої бібліотеки з великою кількістю прикладів.

Як оновлення цього питання, я вважаю, що прийнята відповідь не найкраща станом на 2017 рік.

Як було запропоновано в коментарях Кайла, hmmlearnнаразі бібліотека для HMM в Python.

Для цього є кілька причин:

• Актуальна документація , яка є дуже детальною і включає навчальний посібник

• _BaseHMMКлас , від якого призначеного для користувача підклас може успадковувати для реалізації варіантів HMM

• Сумісний з останніми версіями Python 3.5+

• Інтуїтивне використання

Навпаки цього, ghmm бібліотека не підтримує Python 3.x відповідно до чинної документації. Більшість сторінок документації створені у 2006 році. На перший погляд це не схожа бібліотека на вибір ...

Редагувати: Все ще діє у 2018 році.

гранатна бібліотека має підтримку HMM, і документація дуже корисна. Спробувавши з багатьма бібліотеками hmm у python, я вважаю це досить непоганим.

Для альтернативного підходу, можливо, навіть для сприяння розумінню, ви, мабуть, знайдете деяку корисність для того, щоб зробити якийсь аналіз через R. Прості підручники, засновані на часових рядах, містять для [wannabe] квінтів, які повинні забезпечити завантажувальну систему. Частина 1 , частина 2 , частина 3 , частина 4 . Вони надають джерела для генерації / споживання даних, а також для маніпуляцій, що дозволяє вам обійти більшу частину роботи, щоб мати можливість бачити фактичні методи HMM на роботі. Існують прямі аналоги реалізаціям Python.

В якості додаткового зауваження, для більш теоретичного вступу, можливо, Рабінер може дати деякі уявлення

Бібліотека ghmm може бути тією, яку ви шукаєте.

Як сказано на їхньому веб-сайті:

Він використовується для впровадження ефективних структур даних та алгоритмів для базових та розширених ГММ з дискретними та постійними викидами. Він постачається з обгортками Python, які забезпечують набагато приємніший інтерфейс та додаткову функціональність.

У ньому також є приємна документація та покроковий посібник для намокання ніг.