HMM

HMM

公式推导

在 HMM 中,有两个基本假设:

  1. 齐次 Markov 假设(未来只依赖于当前):
    p ( i t + 1 ∣ i t , i t − 1 , ⋯   , i 1 , o t , o t − 1 , ⋯   , o 1 ) = p ( i t + 1 ∣ i t ) p(i_{t+1}|i_t,i_{t-1},\cdots,i_1,o_t,o_{t-1},\cdots,o_1)=p(i_{t+1}|i_t) p(it+1it,it1,,i1,ot,ot1,,o1)=p(it+1it)

  2. 观测独立假设:
    p ( o t ∣ i t , i t − 1 , ⋯   , i 1 , o t − 1 , ⋯   , o 1 ) = p ( o t ∣ i t ) p(o_t|i_t,i_{t-1},\cdots,i_1,o_{t-1},\cdots,o_1)=p(o_t|i_t) p(otit,it1,,i1,ot1,,o1)=p(otit)

HMM 要解决三个问题:

  1. Evaluation: p ( O ∣ λ ) p(O|\lambda) p(Oλ),Forward-Backward 算法
  2. Learning: λ = a r g m a x λ p ( O ∣ λ ) \lambda=\mathop{argmax}\limits_{\lambda}p(O|\lambda) λ=λargmaxp(Oλ),EM 算法(Baum-Welch)
  3. Decoding: I = a r g m a x I p ( I ∣ O , λ ) I=\mathop{argmax}\limits_{I}p(I|O,\lambda) I=Iargmaxp(IO,λ),Vierbi 算法
    1. 预测问题: p ( i t + 1 ∣ o 1 , o 2 , ⋯   , o t ) p(i_{t+1}|o_1,o_2,\cdots,o_t) p(it+1o1,o2,,ot)
    2. 滤波问题: p ( i t ∣ o 1 , o 2 , ⋯   , o t ) p(i_t|o_1,o_2,\cdots,o_t) p(ito1,o2,,ot)

Evaluation

p ( O ∣ λ ) = ∑ I p ( I , O ∣ λ ) = ∑ I p ( O ∣ I , λ ) p ( I ∣ λ ) p(O|\lambda)=\sum\limits_{I}p(I,O|\lambda)=\sum\limits_{I}p(O|I,\lambda)p(I|\lambda) p(Oλ)=Ip(I,Oλ)=Ip(OI,λ)p(Iλ)

p ( I ∣ λ ) = p ( i 1 , i 2 , ⋯   , i t ∣ λ ) = p ( i t ∣ i 1 , i 2 , ⋯   , i t − 1 , λ ) p ( i 1 , i 2 , ⋯   , i t − 1 ∣ λ ) p(I|\lambda)=p(i_1,i_2,\cdots,i_t|\lambda)=p(i_t|i_1,i_2,\cdots,i_{t-1},\lambda)p(i_1,i_2,\cdots,i_{t-1}|\lambda) p(Iλ)=p(i1,i2,,itλ)=p(iti1,i2,,it1,λ)p(i1,i2,,it1λ)

根据齐次 Markov 假设:
p ( i t ∣ i 1 , i 2 , ⋯   , i t − 1 , λ ) = p ( i t ∣ i t − 1 ) = a i t − 1 i t p(i_t|i_1,i_2,\cdots,i_{t-1},\lambda)=p(i_t|i_{t-1})=a_{i_{t-1}i_t} p(iti1,i2,,it1,λ)=p(itit1)=ait1it
所以:
p ( I ∣ λ ) = π 1 ∏ t = 2 T a i t − 1 , i t p(I|\lambda)=\pi_1\prod\limits_{t=2}^Ta_{i_{t-1},i_t} p(Iλ)=π1t=2Tait1,it
又由于:
p ( O ∣ I , λ ) = ∏ t = 1 T b i t ( o t ) p(O|I,\lambda)=\prod\limits_{t=1}^Tb_{i_t}(o_t) p(OI,λ)=t=1Tbit(ot)
于是:
p ( O ∣ λ ) = ∑ I π i 1 ∏ t = 2 T a i t − 1 , i t ∏ t = 1 T b i t ( o t ) p(O|\lambda)=\sum\limits_{I}\pi_{i_1}\prod\limits_{t=2}^Ta_{i_{t-1},i_t}\prod\limits_{t=1}^Tb_{i_t}(o_t) p(Oλ)=Iπi1t=2Tait1,itt=1Tbit(ot)
我们看到,上面的式子中的求和符号是对所有的观测变量求和,于是复杂度为 O ( N T ) O(N^T) O(NT)

下面,记 α t ( i ) = p ( o 1 , o 2 , ⋯   , o t , i t = q i ∣ λ ) \alpha_t(i)=p(o_1,o_2,\cdots,o_t,i_t=q_i|\lambda) αt(i)=p(o1,o2,,ot,it=qiλ),所以, α T ( i ) = p ( O , i T = q i ∣ λ ) \alpha_T(i)=p(O,i_T=q_i|\lambda) αT(i)=p(O,iT=qiλ)。我们看到:
p ( O ∣ λ ) = ∑ i = 1 N p ( O , i T = q i ∣ λ ) = ∑ i = 1 N α T ( i ) p(O|\lambda)=\sum\limits_{i=1}^Np(O,i_T=q_i|\lambda)=\sum\limits_{i=1}^N\alpha_T(i) p(Oλ)=i=1Np(O,iT=qiλ)=i=1NαT(i)
α t + 1 ( j ) \alpha_{t+1}(j) αt+1(j)
α t + 1 ( j ) = p ( o 1 , o 2 , ⋯   , o t + 1 , i t + 1 = q j ∣ λ ) = ∑ i = 1 N p ( o 1 , o 2 , ⋯   , o t + 1 , i t + 1 = q j , i t = q i ∣ λ ) = ∑ i = 1 N p ( o t + 1 ∣ o 1 , o 2 , ⋯   , i t + 1 = q j , i t = q i ∣ λ ) p ( o 1 , ⋯   , o t , i t = q i , i t + 1 = q j ∣ λ ) \begin{aligned}\alpha_{t+1}(j)&=p(o_1,o_2,\cdots,o_{t+1},i_{t+1}=q_j|\lambda)\\ &=\sum\limits_{i=1}^Np(o_1,o_2,\cdots,o_{t+1},i_{t+1}=q_j,i_t=q_i|\lambda)\\ &=\sum\limits_{i=1}^Np(o_{t+1}|o_1,o_2,\cdots,i_{t+1}=q_j,i_t=q_i|\lambda)p(o_1,\cdots,o_t,i_t=q_i,i_{t+1}=q_j|\lambda) \end{aligned} αt+1(j)=p(o1,o2,,ot+1,it+1=qjλ)=i=1Np(o1,o2,,ot+1,it+1=qj,it=qiλ)=i=1Np(ot+1o1,o2,,it+1=qj,it=qiλ)p(o1,,ot,it=qi,it+1=qjλ)
利用观测独立假设:
α t + 1 ( j ) = ∑ i = 1 N p ( o t + 1 ∣ i t + 1 = q j ) p ( o 1 , ⋯   , o t , i t = q i , i t + 1 = q j ∣ λ ) = ∑ i = 1 N p ( o t + 1 ∣ i t + 1 = q j ) p ( i t + 1 = q j ∣ o 1 , ⋯   , o t , i t = q i , λ ) p ( o 1 , ⋯   , o t , i t = q i ∣ λ ) = ∑ i = 1 N b j ( o t ) a i j α t ( i ) \begin{aligned}\alpha_{t+1}(j)&=\sum\limits_{i=1}^Np(o_{t+1}|i_{t+1}=q_j)p(o_1,\cdots,o_t,i_t=q_i,i_{t+1}=q_j|\lambda)\\ &=\sum\limits_{i=1}^Np(o_{t+1}|i_{t+1}=q_j)p(i_{t+1}=q_j|o_1,\cdots,o_t,i_t=q_i,\lambda)p(o_1,\cdots,o_t,i_t=q_i|\lambda)\\ &=\sum\limits_{i=1}^Nb_{j}(o_t)a_{ij}\alpha_t(i) \end{aligned} αt+1(j)=i=1Np(ot+1it+1=qj)p(o1,,ot,it=qi,it+1=qjλ)=i=1Np(ot+1it+1=qj)p(it+1=qjo1,,ot,it=qi,λ)p(o1,,ot,it=qiλ)=i=1Nbj(ot)aijαt(i)
上面利用了齐次 Markov 假设得到了一个递推公式,这个算法叫做前向算法。

还有一种算法叫做后向算法,定义 β t ( i ) = p ( o t + 1 , o t + 1 , ⋯ , o T ∣ i t = i , λ ) \beta_t(i)=p(o_{t+1},o_{t+1},\cdots,o_T|i_t=i,\lambda) βt(i)=p(ot+1,ot+1,oTit=i,λ)
p ( O ∣ λ ) = p ( o 1 , ⋯   , o T ∣ λ ) = ∑ i = 1 N p ( o 1 , o 2 , ⋯   , o T , i 1 = q i ∣ λ ) = ∑ i = 1 N p ( o 1 , o 2 , ⋯   , o T ∣ i 1 = q i , λ ) π i = ∑ i = 1 N p ( o 1 ∣ o 2 , ⋯   , o T , i 1 = q i , λ ) p ( o 2 , ⋯   , o T ∣ i 1 = q i , λ ) π i = ∑ i = 1 N b i ( o 1 ) π i β 1 ( i ) \begin{aligned}p(O|\lambda)&=p(o_1,\cdots,o_T|\lambda)\\ &=\sum\limits_{i=1}^Np(o_1,o_2,\cdots,o_T,i_1=q_i|\lambda)\\ &=\sum\limits_{i=1}^Np(o_1,o_2,\cdots,o_T|i_1=q_i,\lambda)\pi_i\\ &=\sum\limits_{i=1}^Np(o_1|o_2,\cdots,o_T,i_1=q_i,\lambda)p(o_2,\cdots,o_T|i_1=q_i,\lambda)\pi_i\\ &=\sum\limits_{i=1}^Nb_i(o_1)\pi_i\beta_1(i) \end{aligned} p(Oλ)=p(o1,,oTλ)=i=1Np(o1,o2,,oT,i1=qiλ)=i=1Np(o1,o2,,oTi1=qi,λ)πi=i=1Np(o1o2,,oT,i1=qi,λ)p(o2,,oTi1=qi,λ)πi=i=1Nbi(o1)πiβ1(i)
对于这个 β 1 ( i ) \beta_1(i) β1(i)
β t ( i ) = p ( o t + 1 , ⋯   , o T ∣ i t = q i ) = ∑ j = 1 N p ( o t + 1 , o t + 2 , ⋯   , o T , i t + 1 = q j ∣ i t = q i ) = ∑ j = 1 N p ( o t + 1 , ⋯   , o T ∣ i t + 1 = q j , i t = q i ) p ( i t + 1 = q j ∣ i t = q i ) = ∑ j = 1 N p ( o t + 1 , ⋯   , o T ∣ i t + 1 = q j ) a i j = ∑ j = 1 N p ( o t + 1 ∣ o t + 2 , ⋯   , o T , i t + 1 = q j ) p ( o t + 2 , ⋯   , o T ∣ i t + 1 = q j ) a i j = ∑ j = 1 N b j ( o t + 1 ) a i j β t + 1 ( j ) \begin{aligned}\beta_t(i)&=p(o_{t+1},\cdots,o_T|i_t=q_i)\\ &=\sum\limits_{j=1}^Np(o_{t+1},o_{t+2},\cdots,o_T,i_{t+1}=q_j|i_t=q_i)\\ &=\sum\limits_{j=1}^Np(o_{t+1},\cdots,o_T|i_{t+1}=q_j,i_t=q_i)p(i_{t+1}=q_j|i_t=q_i)\\ &=\sum\limits_{j=1}^Np(o_{t+1},\cdots,o_T|i_{t+1}=q_j)a_{ij}\\ &=\sum\limits_{j=1}^Np(o_{t+1}|o_{t+2},\cdots,o_T,i_{t+1}=q_j)p(o_{t+2},\cdots,o_T|i_{t+1}=q_j)a_{ij}\\ &=\sum\limits_{j=1}^Nb_j(o_{t+1})a_{ij}\beta_{t+1}(j) \end{aligned} βt(i)=p(ot+1,,oTit=qi)=j=1Np(ot+1,ot+2,,oT,it+1=qjit=qi)=j=1Np(ot+1,,oTit+1=qj,it=qi)p(it+1=qjit=qi)=j=1Np(ot+1,,oTit+1=qj)aij=j=1Np(ot+1ot+2,,oT,it+1=qj)p(ot+2,,oTit+1=qj)aij=j=1Nbj(ot+1)aijβt+1(j)
于是后向地得到了第一项。

Learning

为了学习得到参数的最优值,在 MLE 中:
λ M L E = a r g m a x λ p ( O ∣ λ ) \lambda_{MLE}=\mathop{argmax}_\lambda p(O|\lambda) λMLE=argmaxλp(Oλ)
我们采用 EM 算法(在这里也叫 Baum Welch 算法),用上标表示迭代:
θ t + 1 = a r g m a x θ ∫ z log ⁡ p ( X , Z ∣ θ ) p ( Z ∣ X , θ t ) d z \theta^{t+1}=\mathop{argmax}_{\theta}\int_z\log p(X,Z|\theta)p(Z|X,\theta^t)dz θt+1=argmaxθzlogp(X,Zθ)p(ZX,θt)dz
其中, X X X 是观测变量, Z Z Z 是隐变量序列。于是:
λ t + 1 = a r g m a x λ ∑ I log ⁡ p ( O , I ∣ λ ) p ( I ∣ O , λ t ) = a r g m a x λ ∑ I log ⁡ p ( O , I ∣ λ ) p ( O , I ∣ λ t ) \lambda^{t+1}=\mathop{argmax}_\lambda\sum\limits_I\log p(O,I|\lambda)p(I|O,\lambda^t)\\ =\mathop{argmax}_\lambda\sum\limits_I\log p(O,I|\lambda)p(O,I|\lambda^t) λt+1=argmaxλIlogp(O,Iλ)p(IO,λt)=argmaxλIlogp(O,Iλ)p(O,Iλt)
这里利用了 p ( O ∣ λ t ) p(O|\lambda^t) p(Oλt) λ \lambda λ 无关。将 Evaluation 中的式子代入:
∑ I log ⁡ p ( O , I ∣ λ ) p ( O , I ∣ λ t ) = ∑ I [ log ⁡ π i 1 + ∑ t = 2 T log ⁡ a i t − 1 , i t + ∑ t = 1 T log ⁡ b i t ( o t ) ] p ( O , I ∣ λ t ) \sum\limits_I\log p(O,I|\lambda)p(O,I|\lambda^t)=\sum\limits_I[\log \pi_{i_1}+\sum\limits_{t=2}^T\log a_{i_{t-1},i_t}+\sum\limits_{t=1}^T\log b_{i_t}(o_t)]p(O,I|\lambda^t) Ilogp(O,Iλ)p(O,Iλt)=I[logπi1+t=2Tlogait1,it+t=1Tlogbit(ot)]p(O,Iλt)
π t + 1 \pi^{t+1} πt+1
π t + 1 = a r g m a x π ∑ I [ log ⁡ π i 1 p ( O , I ∣ λ t ) ] = a r g m a x π ∑ I [ log ⁡ π i 1 ⋅ p ( O , i 1 , i 2 , ⋯   , i T ∣ λ t ) ] \begin{aligned}\pi^{t+1}&=\mathop{argmax}_\pi\sum\limits_I[\log \pi_{i_1}p(O,I|\lambda^t)]\\ &=\mathop{argmax}_\pi\sum\limits_I[\log \pi_{i_1}\cdot p(O,i_1,i_2,\cdots,i_T|\lambda^t)] \end{aligned} πt+1=argmaxπI[logπi1p(O,Iλt)]=argmaxπI[logπi1p(O,i1,i2,,iTλt)]
上面的式子中,对 i 2 , i 2 , ⋯   , i T i_2,i_2,\cdots,i_T i2,i2,,iT 求和可以将这些参数消掉:
π t + 1 = a r g m a x π ∑ i 1 [ log ⁡ π i 1 ⋅ p ( O , i 1 ∣ λ t ) ] \pi^{t+1}=\mathop{argmax}_\pi\sum\limits_{i_1}[\log \pi_{i_1}\cdot p(O,i_1|\lambda^t)] πt+1=argmaxπi1[logπi1p(O,i1λt)]
上面的式子还有对 π \pi π 的约束 ∑ i π i = 1 \sum\limits_i\pi_i=1 iπi=1。定义 Lagrange 函数:
L ( π , η ) = ∑ i = 1 N log ⁡ π i ⋅ p ( O , i 1 = q i ∣ λ t ) + η ( ∑ i = 1 N π i − 1 ) L(\pi,\eta)=\sum\limits_{i=1}^N\log \pi_i\cdot p(O,i_1=q_i|\lambda^t)+\eta(\sum\limits_{i=1}^N\pi_i-1) L(π,η)=i=1Nlogπip(O,i1=qiλt)+η(i=1Nπi1)
于是:
∂ L ∂ π i = 1 π i p ( O , i 1 = q i ∣ λ t ) + η = 0 \frac{\partial L}{\partial\pi_i}=\frac{1}{\pi_i}p(O,i_1=q_i|\lambda^t)+\eta=0 πiL=πi1p(O,i1=qiλt)+η=0
对上式求和:
∑ i = 1 N p ( O , i 1 = q i ∣ λ t ) + π i η = 0 ⇒ η = − p ( O ∣ λ t ) \sum\limits_{i=1}^Np(O,i_1=q_i|\lambda^t)+\pi_i\eta=0\Rightarrow\eta=-p(O|\lambda^t) i=1Np(O,i1=qiλt)+πiη=0η=p(Oλt)
所以:
π i t + 1 = p ( O , i 1 = q i ∣ λ t ) p ( O ∣ λ t ) \pi_i^{t+1}=\frac{p(O,i_1=q_i|\lambda^t)}{p(O|\lambda^t)} πit+1=p(Oλt)p(O,i1=qiλt)

Decoding

Decoding 问题表述为:
I = a r g m a x I p ( I ∣ O , λ ) I=\mathop{argmax}\limits_{I}p(I|O,\lambda) I=Iargmaxp(IO,λ)
我们需要找到一个序列,其概率最大,这个序列就是在参数空间中的一个路径,可以采用动态规划的思想。

定义:
δ t ( j ) = max ⁡ i 1 , ⋯   , i t − 1 p ( o 1 , ⋯   , o t , i 1 , ⋯   , i t − 1 , i t = q i ) \delta_{t}(j)=\max\limits_{i_1,\cdots,i_{t-1}}p(o_1,\cdots,o_t,i_1,\cdots,i_{t-1},i_t=q_i) δt(j)=i1,,it1maxp(o1,,ot,i1,,it1,it=qi)
于是:
δ t + 1 ( j ) = max ⁡ 1 ≤ i ≤ N δ t ( i ) a i j b j ( o t + 1 ) \delta_{t+1}(j)=\max\limits_{1\le i\le N}\delta_t(i)a_{ij}b_j(o_{t+1}) δt+1(j)=1iNmaxδt(i)aijbj(ot+1)
这个式子就是从上一步到下一步的概率再求最大值。记这个路径为:
ψ t + 1 ( j ) = a r g m a x 1 ≤ i ≤ N δ t ( i ) a i j \psi_{t+1}(j)=\mathop{argmax}\limits_{1\le i\le N}\delta_t(i)a_{ij} ψt+1(j)=1iNargmaxδt(i)aij

Hmmlearn

hmmlearn中有三种隐马尔可夫模型:GaussianHMM、GMMHMM、MultinomialHMM。它们分别代表了观测序列的不同分布类型。

GaussianHMM

适合用于可见层状态是连续类型且假设输出概率符合Gaussian分布的情况

class hmmlearn.hmm.GaussianHMM(n_components=1, covariance_type='diag',min_covar=0.001,
                               startprob_prior=1.0, transmat_prior=1.0, means_prior=0,      
                               means_weight=0,covars_prior=0.01,covars_weight=1,
                               algorithm='viterbi',random_state=None, n_iter=10, tol=0.01,
                               verbose=False, params='stmc', init_params='stmc')

参数:

  • n_components:整数,指定了隐藏层结点的状态数量。

  • covariance_type:字符串,输出概率的协方差矩阵类型。可选值:

    • ‘spherical’:球面协方差矩阵,即矩阵对角线上的元素都相等,且其他元素为零
    • ‘diag’:对角协方差矩阵,即对角线元素可以是任意值,其他元素为零。
    • ‘full’:完全矩阵,即任意元素可以是任意值。
    • ‘tied’:所有状态都是用同一个普通的方差矩阵。
  • min_covar:浮点数,协方差矩阵中对角线上的最小数值,该值设置得越小模型对数据的拟合就越好,但更容易出现过度拟合。

  • startprob_prior:数组,形状为(n_components, )。初始状态的先验概率分布。

  • transmat_prior:数组,形状为(n_components, n_components )。先验的状态转移矩阵。

  • means_prior,means_weight:先验隐藏层均值矩阵。

  • covars_prior、covars_weight:先验隐藏层协方差矩阵

  • algorithm:字符串,指定了Decoder算法。可以为 ‘viterbi’(维特比算法)或者’map’,map比viterbi更快速但非全局最优解。

  • random_state:随机种子,用于在Baum-Welch算法中初始化模型参数。

  • n_iter:Baum-Welch算法最大迭代次数。该值越大,训练模型对数据的拟合度越高,但训练耗时越长。

  • tol:指定迭代收敛阈值。该值越小(必须>=0),训练模型对数据的拟合度越高,但训练耗时越长。

  • verbose:是否打印Baum-Welch每次迭代的调试信息

  • params:字符串,在训练过程中更新哪些HMM参数。可以是四个字母中的任意几个组成的字符串。

    • ‘s’:初始概率。
    • ‘t’:转移概率。
    • ‘m’:均值。
    • ‘c’:偏差。
  • init_params:字符串,在训练开始之前使用哪些已有概率矩阵初始化模型。

    • ‘s’:初始概率。
    • ‘t’:转移概率。
    • ‘m’:均值。
    • ‘c’:偏差。

属性:

  • n_features:整数,特征维度。

  • monitor_:ConvergenceMonitor对象,可用它检查EM算法的收敛性。

  • transmat_:矩阵,形状为 (n_components, n_components),是状态之间的转移概率矩阵。

  • startprob_:数组,形状为(n_components, ),是初始状态的概率分布。

  • means_:一个数组,形状为(n_components,n_features ),每个状态的均值参数。

  • covars_:数组,每个状态的方差参数,其形状取决于方差类型:

    • ‘spherical’:形状为(n_components, ) 。
    • ‘diag’:形状为(n_components,n_features ) 。
    • ‘full’:形状为(n_components, n_features, n_features) 。
    • ‘tied’:形状为(n_features,n_features ) 。

方法:

  • decode(X, lengths=None, algorithm=None):已知观测序列X寻找最可能的状态序列。

    • 参数:

      • X:array-like,形状为 (n_samples, n_features)。指定了观测的样本。
      • lengths:array-like,形状为 (n_sequences, )。指定了观测样本中,每个观测序列的长度,其累加值必须等于n_samples 。
      • algorithm:字符串,指定解码算法。必须是’viterbi’(维特比)或者’map’。
    • 返回值:

      • logprob:浮点数,代表产生的状态序列的对数似然函数。
      • state_sequence:一个数组,形状为(n_samples, ),代表状态序列。
  • fit(X, lengths=None):根据观测序列 X,来训练模型参数。

在训练之前会执行初始化的步骤。如果你想避开这一步,那么可以在构造函数中通过提供init_params关键字参数来避免。

  • 参数:X,lengths 参考 decode() 方法。

  • 返回值:self对象。

  • predict(X, lengths=None):已知观测序列X,寻找最可能的状态序列。

    • 参数:X,lengths 参考 decode() 方法。

    • 返回值:数组,形状为(n_samples, ),代表状态序列。

  • predict_proba(X, lengths=None):计算每个状态的后验概率。

    • 参数:X,lengths 参考 decode() 方法。

    • 返回值:数组,代表每个状态的后验概率。

  • sample(n_samples=1, random_state=None):从当前模型中生成随机样本。

    • 参数:

      • n_samples:生成样本的数量。
      • random_state:指定随机数。如果为None,则使用构造函数中的random_state。
    • 返回值:

      • X:观测序列,长度为n_samples 。
      • state_sequence:状态序列,长度为n_samples 。
  • score(X, lengths=None):计算预测结果的对数似然函数。

    • 参数:X,lengths 参考 decode() 方法。

    • 返回值:预测结果的对数似然函数。

GMMHMM

混合高斯分布的隐马尔可夫模型,适合用于隐藏层状态是连续类型且假设输出概率符合GMM 分布(Gaussian Mixture Model,混合高斯分布)的情况

原型

hmmlearn.hmm.GMMHMM(n_components=1,n_mix=1,startprob_prior=1.0,transmat_prior=1.0,
                    covariance_type='diag', covars_prior=0.01, algorithm='viterbi',
                    random_state=None,n_iter=10,tol=0.01, verbose=False,
                    params='stmcw',init_params='stmcw')

大部分参数与GaussianHMM中的含义一样,不再重复说明,不同点有如下两个:

  • n_mix:整数,指定了混合高斯分布中高斯分布的数量,如果n_min等于1,则GMMHMM退化为GaussianHMM。
  • means_prior,means_weight,covars_prior,covars_weight:这四个参数虽然名称与GaussianHMM一致,但其维数随着n_mix的设置而不同。

属性:

  • n_features:整数,特征维度。
  • monitor_:ConvergenceMonitor对象,可用它检查EM算法的收敛性。
  • transmat_:矩阵,形状为 (n_components, n_components),是状态之间的转移概率矩阵。
  • startprob_:数组,形状为(n_components, ),是初始状态的概率分布。
  • gmms_:列表,指定了每个状态的混合高斯分布的分模型。

方法:参考hmmlearn.hmm.GaussianHMM 。

MultinomialHMM

多项式分布的隐马尔可夫模型,适合用于可见层状态是离散类型的情况。

原型为:

class hmmlearn.hmm.MultinomialHMM(n_components=1, startprob_prior=1.0, transmat_prior=1.0,
                                  algorithm='viterbi', random_state=None, n_iter=10,tol=0.01,
                                  verbose=False, params='ste', init_params='ste')

参数:整数,参考hmmlearn.hmm.GaussianHMM。

属性:

  • n_features:一个整数,特征维度。
  • monitor_:一个ConvergenceMonitor对象,可用它检查EM算法的收敛性。
  • transmat_:一个矩阵,形状为 (n_components, n_components),是状态之间的转移概率矩阵。
  • startprob_:一个数组,形状为(n_components, ),是初始状态的概率分布。
  • emissionprob_:一个数组,形状为(n_components, n_features),每个状态的发射概率。

方法:参考hmmlearn.hmm.GaussianHMM 。

# MultinomialHMM案例
import numpy as np
from hmmlearn import hmm

# 发射概率
emission_probability = np.array([
    [0.4,0.3,0.3], # 晴:打球,读书,访友
    [0.2,0.3,0.5], # 阴:打球,读书,访友
    [0.1,0.8,0.1]  # 雨:打球,读书,访友
])

# 转移概率
transition_probability = np.array([
    [0.7,0.2,0.1],# 晴 阴 雨
    [0.3,0.5,0.2],# 阴
    [0.3,0.4,0.3] # 雨
])

# 定义隐藏层各状态的初始概率 晴、阴、雨
start_probability = np.array([0.5,0.3,0.2])


# 建模
model = hmm.MultinomialHMM(n_components=3) # 3种可见层状态
model.startprob_ = start_probability
model.transmat_ = transition_probability
model.emissionprob_ = emission_probability

# 0为打球,1为读书,2为访友
observe_chain = np.array([0,2,1,1,1,1,1,1,2,2,2,2,2,2,2,2,1,0]).reshape(-1,1)

# 0为晴,1为阴,2为雨
model.predict(observe_chain)
array([0, 0, 2, 2, 2, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0])

股票走势预测

本案例从雅虎金融网站获取真实的历史交易数据,训练并分析历史走势,尝试寻找出历史走势规律以预测未来。
下面通过用HMM模型来预测走势规律

  • HMM 时间轴:由于数据模型是日交易信息,所以本模型的时间轴以日为单位,即每一天是一个HMM状态结点。

  • 可见层特征:选取数据文件中的两个重要数据作为可见层特征,即收盘涨跌值、交易量。因为这些属性为连续值,所以选用Gaussian模型。收盘涨跌值特征并未在数据模型中直接体现,它要通过计算前后两天收盘价的差值获得

  • 隐藏层状态:定义三种状态,对应于涨、平、跌。

  • 预测方式:通过查看隐藏层转换矩阵的转换概率,根据最后一个结点的隐藏状态预测未来一天的涨跌可能。

隐藏层的涨跌状态只受当天及之前表示层特征的影响,所以其本身并不能决定下一天的走势。而要预测下一天的隐藏层状态,需要结合转换概率矩阵进行分析。

from datetime import datetime
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.dates import DayLocator
from hmmlearn.hmm import GaussianHMM
import warnings
warnings.filterwarnings("ignore")

%matplotlib inline


data = pd.read_csv("./sample_stock.csv")
print(data.shape)
data.head()
(1258, 7)
Date Open High Low Close Adj Close Volume
0 21/09/2012 9.85 10.09 9.80 9.82 9.528357 66200
1 24/09/2012 9.83 10.07 9.61 9.90 9.605980 44500
2 25/09/2012 9.93 9.99 9.57 9.58 9.295483 54400
3 26/09/2012 9.63 9.72 9.55 9.59 9.305186 29100
4 27/09/2012 9.60 9.71 9.44 9.57 9.285780 55300

原始数据是以日为单位的某股票基础交易数据,各属性列表示:

  • 日期
  • 开盘价
  • 当日最高价
  • 当日最低价
  • 收盘价
  • 调整收盘
  • 当日交易量
# 日期格式转换
data['Date'] = pd.to_datetime(data['Date'], format = "%d/%m/%Y", errors = 'coerce')
data.info()
data.head()

RangeIndex: 1258 entries, 0 to 1257
Data columns (total 7 columns):
Date         1258 non-null datetime64[ns]
Open         1258 non-null float64
High         1258 non-null float64
Low          1258 non-null float64
Close        1258 non-null float64
Adj Close    1258 non-null float64
Volume       1258 non-null int64
dtypes: datetime64[ns](1), float64(5), int64(1)
memory usage: 68.9 KB
Date Open High Low Close Adj Close Volume
0 2012-09-21 9.85 10.09 9.80 9.82 9.528357 66200
1 2012-09-24 9.83 10.07 9.61 9.90 9.605980 44500
2 2012-09-25 9.93 9.99 9.57 9.58 9.295483 54400
3 2012-09-26 9.63 9.72 9.55 9.59 9.305186 29100
4 2012-09-27 9.60 9.71 9.44 9.57 9.285780 55300

特征准备

日期和交易量去除第一天的数据,因为第一天会被用来计算第二天的涨跌值特征,所以马尔可夫链实际是从第二天开始训练的。

dates = data['Date'].values[1:]
close_v = data['Close'].values
volume = data['Volume'].values[1:]

# 计算数组中前后两个值差额
diff  = np.diff(close_v)
close_v = close_v[1:]

X = np.column_stack([diff,volume])
X.shape
(1257, 2)

建立模型

  • n_components 参数指定了使用3个隐藏层状态
  • covariance_type定义了协方差矩阵类型为对角线类型,即每个特征的高斯分布有自己的方差参数,相互之间没有影响
  • n_iter参数定义了Baum-Welch的最大迭代次数
model =  GaussianHMM(n_components=3, covariance_type="diag",n_iter=1000)
model.fit(X)
GaussianHMM(algorithm='viterbi', covariance_type='diag', covars_prior=0.01,
      covars_weight=1, init_params='stmc', means_prior=0, means_weight=0,
      min_covar=0.001, n_components=3, n_iter=1000, params='stmc',
      random_state=None, startprob_prior=1.0, tol=0.01, transmat_prior=1.0,
      verbose=False)
print("Means and vars of each hidden state")
means_ = []
vars_ = []
for i in range(model.n_components):
    means_.append(model.means_[i][0])
    vars_.append(np.diag(model.covars_[i])[0])
    print("第{0}号隐藏状态".format(i))
    print("mean = ", model.means_[i])
    print("var = ", np.diag(model.covars_[i]))
    print()
Means and vars of each hidden state
第0号隐藏状态
mean =  [-6.63217241e-03  5.88893426e+04]
var =  [4.84610308e-02 4.85498280e+08]

第1号隐藏状态
mean =  [-7.25238348e-02  4.22133974e+05]
var =  [1.10870852e+00 1.09613199e+11]

第2号隐藏状态
mean =  [4.41582696e-02 1.42342273e+05]
var =  [1.42504830e-01 3.27804399e+09]

因为可见层输入采用了两个输入特征(涨跌幅、成交量),所以每个结点有两个元素,分别代表该状态的涨跌幅均值、成交量均值。

由于系统的目标预测涨跌幅,所以这里只关心第一个特征的均值,有如下结论:

  • 状态0的均值是-6.63217241e-03,约为−0.00663,认为该状态是“平”。
  • 状态1的均值是4.41582696e-02,约为0.044(涨4分钱),得知该状态是“涨”。
  • 状态2的均值是-7.25238348e-02,约为−0.072(跌7分钱),得知该状态是“跌”。

由涨跌幅特征的方差,可以得到的信息为:

  • 状态“平”的方差为4.84610308e-02,是三个状态中方差最小的,也就是说该状态的预测非常可信。
  • 状态“涨”的方差为1.42504830e-01,可信度居中。
  • 状态“跌”的方差为1.10870852e+00,是三个状态中方差最大的,即该状态的变化范围较大,并非很可信。
print("Transition matrix")
print(model.transmat_)
Transition matrix
[[0.82001546 0.01739021 0.16259432]
 [0.03793618 0.22931597 0.73274785]
 [0.23556112 0.04332874 0.72111014]]
  • 第一行最大的数值是0.82001546,因此“平”倾向于保持自己的状态,即第二天仍旧为“平”。
  • 第二行最大的数值是0.72111014,得知“涨”后第二天倾向于变为“涨”。
  • 根据第三行状态,“跌”后第二天仍旧倾向于“涨”。

根据以上转换概率,可以看出该股票的长线态势是非常看好的。


可视化短线预测

X = X[-26:]
dates = dates[-26:]
close_v = close_v[-26:]

hidden_states = model.predict(X)
hidden_states
array([0, 0, 0, 0, 0, 2, 2, 2, 2, 2, 2, 2, 0, 0, 0, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2])
means_
[-0.0066321724101791124, -0.07252383481713848, 0.04415826960924146]
vars_
[0.048461030777300955, 1.1087085156555492, 0.14250482994747]
model.transmat_
array([[0.82001546, 0.01739021, 0.16259432],
       [0.03793618, 0.22931597, 0.73274785],
       [0.23556112, 0.04332874, 0.72111014]])
# 计算当前状态后一天的预测均值
predict_means = []
predict_vars = []

for idx, hid in enumerate(range(model.n_components)):
    comp = np.argmax(model.transmat_[idx]) # 最可能的第二天状态
    predict_means.append(means_[comp])
    predict_vars.append(vars_[comp])

print('predict_means',predict_means)
print('predict_vars',predict_vars)
predict_means [-0.0066321724101791124, 0.04415826960924146, 0.04415826960924146]
predict_vars [0.048461030777300955, 0.14250482994747, 0.14250482994747]
# 画图
fig, axs = plt.subplots(model.n_components + 1, sharex=True, sharey=True,figsize=(10,10))

for i, ax in enumerate(axs[:-1]):
    ax.set_title("{0}th hidden state".format(i))

    # Use fancy indexing to plot data in each state.
    mask = hidden_states == i
    yesterday_mask = np.concatenate(([False], mask[:-1]))
    if len(dates[mask]) <= 0:
        continue

    if predict_means[i] > 0.01:
        # 上涨预测
        ax.plot_date(dates[mask], close_v[mask], "^", c="#FF0000")
    elif predict_means[i] < -0.01:
        # 下跌预测
        ax.plot_date(dates[mask], close_v[mask], "v", c="#00FF00")
    else:
        # 平
        ax.plot_date(dates[mask], close_v[mask], "+", c="#000000")

    # locate specified days of the day
    ax.xaxis.set_minor_locator(DayLocator())

    ax.grid(True)
    ax.legend(["Mean: %0.3f\nvar: %0.3f" % (predict_means[i], predict_vars[i])],
        loc='center left',
        bbox_to_anchor=(1, 0.5))

# 打印真实走势,用作对比
axs[-1].plot_date(dates, close_v, "-", c='#000000')
axs[-1].grid(True)
box = axs[-1].get_position()
axs[-1].set_position([box.x0, box.y0, box.width * 0.8, box.height])
ax.xaxis.set_minor_locator(DayLocator())

# 调整格式
fig.autofmt_xdate()
plt.subplots_adjust(left=None, bottom=None, right=0.75, top=None, 
                    wspace=None, hspace=0.43)

plt.show()

HMM_第1张图片

由图可知,这个月中大部分隐藏状态是“平”或者“涨”,其中“涨”的数量更多,由最下方真实走势图可见当月结果确实为上涨。最后一天的结点落在了“2th hidden state”中,其预测状态为上涨(均值为0.044,方差为0.143)。

参考资料

  • 从机器学习到深度学习
  • hmmlearn文档
  • 统计学习方法

你可能感兴趣的:(机器学习)