2019独角兽企业重金招聘Python工程师标准>>> 
隐马尔科夫实现：
前文链接：https://my.oschina.net/u/3268732/blog/1480198
如前文的说法，隐马尔科夫相关的有两个式子： 
对两个式子就可以建立矩阵A，矩阵B。矩阵A是S之间的转换，为NN,N为标签个数，矩阵中的值为当前标签转移至下一标签的概率。矩阵B是S与O之间的转化，为NM，M为O的可能状态，实际上就是在求每个状态下转移的概率。模型中还有一个值π，寓意为每个标签出现的可能性。
下面对一个解码问题进行说明：
解码问题用维特比算法，可应用与文本信息抽取，还有什么基因检测，蛋白质二级序列啥的……解码问题有很多优化，如CRF等，真实工程中就不会用这种原始的了……。对于序列上的每一个元素，其转换可能为标签里的任意一种，同时，他被下一元素限制，因为下一元素也是一种转化的表现。所以大体思路就是先算所有词的转化标签概率（记得考虑自身和上一词两种情况），形成一个树状结构。（图示如李航《统计学习方法》P186）这个时候就是递推，一直推完。然后只需在这所有的路径里找到最优的方案，也就是所有概率最优的情况。
第一步：构建一个模型：
这一步直接就是对训练数据进行统计就完了
第二步：进行维特比算法：
算法：
代码：
#统计a,pi
def HMMA():
for i in range(len(label)):
#初始化计数
countp=[]
s=0
for j in range(len(label)):
countp.append(0)
for j in range(trainlen-1):
if(trainos[j+1]==label[i]):
s+=1
countp[label.index(trainos[j])]+=1
for j in range(len(label)):
if(s!=0):a[i].append(countp[j]/s)
else:a[i].append(0)
#初始初始矩阵
pi.append(s/trainlen)
global b
b=proyx
#统计b
def HMMB():
count=[]
for i in range(len(label)):
countall=0
for j in range(len(trainx)):
count.append(0)
for j in range(trainlen):
if(trainos[j]==label[i]):
countall+=1
count[trainxx.index(trainsq[j])]+=1
for j in range(len(trainxx)):
hmmb[i].append(count[j]/countall)
count=[]
#维特比
def viterbi(testsq,testos,b):
delta = [[]for i in range(len(testsq))]
fai = [[]for i in range(len(testsq))]
#初始化
if(len(testsq)==0):return
for i in range(len(label)):
if(testsq[0])in trainxx:
delta[0].append(pi[i]*b[i][trainxx.index(testsq[0])]*bigger)
else:
delta[0].append(0)
fai[0].append(0)
for j in range(1,len(testsq)):
for i in range(len(label)):
if(testsq[j]) in trainxx:
maxtmp=-1
max_i=0
for k in range(len(label)):
if(delta[j-1][k]*a[i][k]>maxtmp):
maxtmp=delta[j-1][k]*a[i][k]
max_i=k
delta[j].append(maxtmp*b[i][trainxx.index(testsq[j])])
fai[j].append(max_i)
else:
delta[j].append(0)
fai[j].append(0)
maxtmp=0
max_i=0
mytestchoic=[]
mytestos=[]
for i in range(len(label)):
if maxtmp最大熵隐马模型：
最大熵的方法就是将隐马模型中的B这里的矩阵参数进行优化。另外因为这个模型又要考虑相近状态，所以在这里所有的x相当于当前序列+当前序列标记（xi+yi），y为前一个标签状态（yi-1） 最大熵的就是用来优化似然函数的一种方法，想办法保证全局最优，期望一个最佳最合理的P(y|x)来预测。 特征函数f(x,y)（特征函数，说白了就是一个集合，满足这一条件的xy就判为1，否则为0） 
注意：这里仅仅考虑标签只有一类的情况，若是多类情况，则需要分别对每一种特征构造特征模板，所以多类情况时w也是一个二维数组。最后的p(y|x)应对应隐马模型中的B 对于似然函数优化： 
其中W是可变的，在迭代中会不断变化他的值，Z(x)表示所有特征发生的情况下当前x发生的情况（写程序的时候直接把f（）写成只含0，1的数组不就好了……） 代码：
#各种统计初始
def definef():
for i in range(len(label)):
M.append(trainos.count(label[i]))
for j in range(len(trainx)):
f[i].append(0)
w[i].append(0)
proyx[i].append(0)
provx[i].append(0)
for i in range(trainlen-1):
f[label.index(trainos[i])][trainx.index(str(trainsq[i+1]+trainos[i+1]))]=1
def countpos():
#对于每个特征找各自概率
for i in range(len(label)):
countxy=0
for j in range(trainlen-1):
if(f[i][trainx.index(trainsq[j+1]+trainos[j+1])]==1 and trainos[j]==label[i]):
countxy+=1
provx[i][trainx.index(trainsq[j+1]+trainos[j+1])]+=1
for j in range(len(trainx)):
provx[i][j]/=trainlen
provxy[i]=countxy/trainlen
def countyxpos():
for i in range(len(label)):
z=0
p=[]
for j in range(len(trainx)):
p.append(0)
for j in range(trainlen-1):
if(trainos[j+1]==label[i]):
if(f[i][trainx.index(trainsq[j+1]+trainos[j+1])]==1):
z+=math.e**(w[i][trainx.index(trainsq[j+1]+trainos[j+1])]*trainx.count(trainsq[j+1]+trainos[j+1]))
if (f[i][trainx.index(trainsq[j + 1] + trainos[j + 1])] == 1):
p[trainx.index(trainsq[j+1]+trainos[j+1])]+=w[i][trainx.index(trainsq[j+1]+trainos[j+1])]
for j in range(len(trainx)):
if(z!=0):proyx[i][j]=(math.e**p[j])/z
#开始迭代了
def iterate(times):
for i in range(times):
for l in range(len(label)):
for j in range(len(trainx)):
tmp=0
if(M[l]!=0 and provx[l][j]*proyx[l][j]*f[l][j]!=0):
tmp+=math.log(provxy[l]/provx[l][j]*proyx[l][j]*f[l][j])/M[l]
global w
w[l][j]+=tmp
countyxpos()
print(i)
注意，尽管一个数据可能序列有多条，输出一条标签，这是需要人为将这些标签合成成一条标签。有点狗血……