模型构建

本章目标

明确 train_model(...) 如何构建并训练 HMM 模型——离散观测、序列数据、可选依赖。
理解 CategoricalHMM 的核心构造器参数（n_components、n_iter、tol）及其序列含义。
看清训练完成后最重要的模型属性——transmat_（转移矩阵）、startprob_（初始概率）、emissionprob_（发射矩阵）。

重点方法与概念速览

名称	类型	作用
`train_model(...)`	函数	构建并训练一个 HMM 模型——含可选依赖检查（`CategoricalHMM` / `MultinomialHMM` 双备份）
`CategoricalHMM(...)`	类	hmmlearn 提供的离散 HMM——用 Baum-Welch（EM）估计参数
`model.fit(X_obs, lengths)`	方法	Baum-Welch 训练——迭代 Forward-Backward + 参数重估
`model.transmat_`	属性	学习到的状态转移矩阵 $A$ （3×3）
`model.startprob_`	属性	学习到的初始状态分布 $π$ （3,）
`model.emissionprob_`	属性	学习到的观测发射矩阵 $B$ （3×3）
`model.predict(X_obs, lengths)`	方法	Viterbi 解码——全局最优隐状态路径

1. `train_model(...)` 的函数签名

参数速览

适用函数：train_model(X_obs, lengths, n_components=3, n_iter=100, tol=1e-3, random_state=42)

参数名	类型	说明	示例取值
`X_obs`	`ndarray`，形状 `(300, 1)`	观测序列列向量——离散符号 ${0, 1, 2}$ ，每行为一个时间步	`obs.reshape(-1, 1)`
`lengths`	`list[int]`	序列长度列表。`[300]`——单条 300 步的序列	`[300]`、`[100, 200]`
`n_components`	`int`	隐状态数。`3`——与真实隐状态数一致	`2`、`3`、`5`
`n_iter`	`int`	Baum-Welch 最大迭代次数。`100`——比 GMM 的 EM 迭代少（序列计算更贵）	`50`、`100`、`200`
`tol`	`float`	对数似然收敛阈值。`1e-3`	`1e-3`、`1e-4`
`random_state`	`int`	随机种子。`42`	`42`
返回值	`CategoricalHMM` 或 `MultinomialHMM`	已完成 `fit()` 的 HMM 模型	—

示例代码

python

from model_training.probabilistic.hmm import train_model

obs = hmm_data["obs"].values.astype(int)
X_obs = obs.reshape(-1, 1)
lengths = [len(obs)]
model = train_model(X_obs, lengths)

理解重点

train_model(...) 的参数签名与 GMM 完全不同——输入为序列数据（X_obs + lengths），而非独立样本矩阵。
lengths 支持多条不等长序列——当前使用单条 300 步序列，但框架天然支持批量序列训练。
内部有双备份可选依赖处理——优先 CategoricalHMM，回退 MultinomialHMM。

2. `CategoricalHMM` 构造器参数

参数速览

适用 API：CategoricalHMM(n_components=3, n_iter=100, tol=1e-3, random_state=42)

参数名	类型	说明	示例取值
`n_components`	`int`	隐状态数。`3`——HMM 的核心超参数，需预先设定	`2`、`3`、`5`
`n_iter`	`int`	Baum-Welch 最大迭代次数。`100`——序列数据的 EM 通常收敛更慢	`50`、`100`、`200`
`tol`	`float`	对数似然收敛阈值。`1e-3`	`1e-3`、`1e-4`
`random_state`	`int`	随机种子。`42`——保证参数初始化和结果可复现	`42`
`init_params`	`str`	参数初始化方法。默认 `"st"`（转移和发射矩阵随机初始化）	`"st"`、`""`
`params`	`str`	哪些参数在训练中更新。默认 `"ste"`（startprob/transmat/emissionprob）	`"ste"`、`"st"`
`verbose`	`bool`	是否打印详细日志。默认 `False`	`True`、`False`

示例代码

python

try:
    from hmmlearn.hmm import CategoricalHMM
    ModelClass = CategoricalHMM
except ImportError:
    from hmmlearn.hmm import MultinomialHMM
    ModelClass = MultinomialHMM

model = ModelClass(
    n_components=3,
    n_iter=100,
    tol=1e-3,
    random_state=42,
)
model.fit(X_obs, lengths)

理解重点

CategoricalHMM 是 hmmlearn 0.3+ 的新 API——MultinomialHMM 是旧版本兼容（当前源码双备份）。
n_iter=100 比 GMM 的 max_iter=200 少——因为序列计算中每次 Forward-Backward 的复杂度是 $O (T \times K^{2})$ ，远贵于逐点的 E 步。
没有 covariance_type 参数——HMM 处理离散观测，不涉及协方差矩阵。

3. 训练完成后的关键属性

参数速览

属性名	类型	数学含义	说明
`transmat_`	`ndarray`，形状 `(3, 3)`	转移矩阵 $A$	$A_{i j} = P (s_{t + 1} = j ∣ s_{t} = i)$ ，行和为 1
`startprob_`	`ndarray`，形状 `(3,)`	初始分布 $π$	$π_{i} = P (s_{1} = i)$ ，和为 1
`emissionprob_`	`ndarray`，形状 `(3, 3)`	发射矩阵 $B$	$B_{i j} = P (o_{t} = j ∣ s_{t} = i)$ ，行和为 1
`monitor_`	`dict`	训练历史	逐次迭代的对数似然值列表——诊断收敛

示例代码

python

print(f"n_components: {n_components}")
print(f"n_iter: {n_iter}")
print(f"tol: {tol}")
print(f"转移矩阵:\n{model.transmat_.round(3)}")
print(f"发射矩阵:\n{model.emissionprob_.round(3)}")
print(f"初始分布: {model.startprob_.round(3)}")

理解重点

transmat_（ $3 \times 3$ ）描述隐状态的迁移行为——对角线越大（如 0.8），状态越稳定。
emissionprob_（ $3 \times 3$ ）描述每个状态的观测偏好——例如"状态 0 大概率发射符号 0"。
startprob_ 描述序列起始时刻的状态分布——与 GMM 的 weights_ 概念相似，但用于序列初始而非整个序列。
通过对比学习到的 transmat_ / emissionprob_ 与真实参数，可以定量评估 HMM 的恢复能力。

4. `predict()` — Viterbi 解码

参数速览

方法	输入	输出	算法	说明
`predict(X, lengths)`	`(n_steps, 1)` + `lengths`	`ndarray`，`(n_steps,)`	Viterbi	全局最优隐状态路径——保证路径合法（不存在概率为 0 的转移）

理解重点

Viterbi 解码不是逐步 argmax——它全局寻找概率最大的单条路径，保证相邻状态的转移是合法的。
逐步 argmax（ $\arg max_{i} P (s_{t} = i ∣ O, λ)$ ）可能产生"非法"的状态跳跃——Viterbi 避免了这一点。
在 HMM 中，predict 返回的是隐状态序列——用于与 state_true 对比计算准确率。

5. HMM vs GMM vs 集成模型参数对比

参数/属性	GMM	HMM	备注
核心参数	`n_components`、`covariance_type`、`max_iter`	`n_components`、`n_iter`、`tol`	相似但 HMM 更关注迭代收敛
训练输入	`fit(X)`——独立样本	`fit(X, lengths)`——序列数据	根本差异
模型属性	`means_`、`covariances_`、`weights_`	`transmat_`、`emissionprob_`、`startprob_`	HMM 描述动态，GMM 描述分布
预测输出	`predict(X)`、`predict_proba(X)`	`predict(X, lengths)`（Viterbi）	无 `predict_proba`——但有 `score`（Forward）
依赖	sklearn 内置	`pip install hmmlearn`	可选依赖

常见坑

忘记传 lengths 参数——fit(X) 会报错，HMM 必须知道每条序列的边界。
混淆 transmat_ 的行和列方向——行 $i$ 列 $j$ 表示 $P (s_{t + 1} = j ∣ s_{t} = i)$ ，行和为 1。
在极短序列（<50 步）上训练——Baum-Welch 需要足够多的状态转移来稳定估计 $A$ 矩阵。
混淆 CategoricalHMM 和 MultinomialHMM——前者是 hmmlearn 0.3+ 的新 API，语义更清晰。

小结

train_model(...) 是本仓库 HMM 的核心训练入口——含双备份可选依赖检查，输入为序列数据而非独立样本。
CategoricalHMM 的核心参数是 n_components（隐状态数）、n_iter（Baum-Welch 上限）、tol（收敛阈值）——结构化参数比 GMM 少但序列计算量更大。
训练完成后的核心属性：transmat_ / emissionprob_ / startprob_——三件套完全描述离散 HMM 的动态和观测行为。

模型构建 ​

本章目标 ​

重点方法与概念速览 ​

1. train_model(...) 的函数签名 ​

参数速览 ​

示例代码 ​

理解重点 ​

2. CategoricalHMM 构造器参数 ​

参数速览 ​

示例代码 ​

理解重点 ​

3. 训练完成后的关键属性 ​

参数速览 ​

示例代码 ​

理解重点 ​

4. predict() — Viterbi 解码 ​

参数速览 ​

理解重点 ​

5. HMM vs GMM vs 集成模型 参数对比 ​

常见坑 ​

小结 ​

模型构建

本章目标

重点方法与概念速览

1. `train_model(...)` 的函数签名

参数速览

示例代码

理解重点

2. `CategoricalHMM` 构造器参数

参数速览

示例代码

理解重点

3. 训练完成后的关键属性

参数速览

示例代码

理解重点

4. `predict()` — Viterbi 解码

参数速览

理解重点

5. HMM vs GMM vs 集成模型参数对比

常见坑

小结