fit <- HMMFit(x , nStates = 3)
> fit
Call:
----
HMMFit(obs = x, nStates = 3)
Model:
------
3 states HMM with 5-d gaussian distribution
Baum-Welch algorithm status:
----------------------------
Number of iterations : 60
Last relative variation of LLH function: 0.000001
Estimation:
-----------
Initial probabilities:
Pi 1 Pi 2 Pi 32.636352 e-2552.770966 e-501
Transition matrix:
State 1 State 2 State 3
State 10.18649870.760467990.05303333
State 20.25394740.603773500.14227910
State 30.61914880.071573080.30927815
Conditionnal distribution parameters:
Distribution parameters:
State 1
mean cov matrix
0.47529390.975873700.02993559 -0.218057410.256396510.1567241
-0.56860390.029935590.853427470.433749210.18220534 -0.21496880.3739333 -0.218057410.433749210.58127533 -0.01600787 -0.2097350
-0.38335890.256396510.18220534 -0.016007871.13979299 -0.3723484
-0.58711680.15672407 -0.21496881 -0.20973503 -0.372348351.0462750
State 2
mean cov matrix
0.079491121.146441700.21413163 -0.05544488 -0.029024060.041790520.153060290.214131630.84865045 -0.19661403 -0.123977400.01617397
-0.03560680 -0.05544488 -0.196614031.258729150.156386950.039172040.07304988 -0.02902406 -0.123977400.156386950.700738380.029342270.355000640.041790520.016173970.039172040.029342270.65031019
State 3
mean cov matrix
-0.50934260.60603137 -0.214627080.063226060.272314070.10763860.1526545 -0.214627080.56847783 -0.06347737 -0.159412110.2161427
-1.06728760.06322606 -0.063477370.176625990.086582920.19816280.77788530.27231407 -0.159412110.086582921.174972740.4802186
-0.25410080.107638580.216142700.198162760.480218580.7488420
Log-likelihood: -1379.07
BIC criterium: 3118.43
AIC criterium: 2894.14
精神病院への道を探しているのか?:)
問題は、このような定義をすべて思いつくわけではないので、より正確な情報を得るためにはググるしかないことです。その記事へのリンクは後で探します。
まあ、それが面白いんですけどね...。
規則性」とおっしゃいましたね。それが何なのか分からないので、あなたに聞かずにググってみたら、そういう意味ではないことが判明しました。それがわからなかったら、今は同じ概念(規則性)を違う意味で使っているから、いつまでたっても真相がわからない......。
そして全ては一人の疑似科学的な馬鹿のせいである...
SMMを学習させたいのですが、一風変わった方法で、フィットネス関数や遺伝的なものなどを使って...
状態遷移行列を自分で作りたいのですが、パッケージがあって、こういう行列があるのですが、どこをどう変えればいいのかよくわかりません、教えてください。
HMMにおける適合度関数は尤度の対数である。カスタムのFを思いついたら、それはもう他の方法です。
HMMでは、フィットネス関数は尤度の対数である。カスタムF.F.を思いついたら、それはもう他の方法です。
では、何を最適化する必要があるのでしょうか?
以下は、3つの州のモデルです。
まあ、それが面白いんですけどね...。
規則性」とおっしゃいましたね。それが何か分からないから、あなたに聞かずにググってみたら、そういう意味じゃないことが分かった。それがわからなかったら、今は同じ概念(規則性)を違う意味で使っているから、いつまでたっても真相がわからない......。
そして、すべては一人の似非科学的な馬鹿のせいである......。
みなさん、疲れました。
私もです)
では、何を最適化する必要があるのでしょうか?
ここでは、3州モデルを紹介します。
つまり、バウム・ウェルチ・アルゴリズムによって、すべてがすでに最適化されているのです。尤度の対数の最適値を以下に書き出す。パラメータ(遷移行列など)を算出します。
つまり、バウム・ウェルチ・アルゴリズムによって、すでにすべてが最適化されているのです。尤度対数の最適値を以下に書き出す。パラメータ(遷移行列など)を算出します。
これは3つの状態に学習さ せただけの モデルで、 私の適性関数を満足するように学習 させるモデルが欲しいのです。
ニューロニクスを訓練し、遺伝によって重さを変え、そのフィットネスを見ることを想像してください。
SMMでも同じことをしたいのですが、その場合は遷移行列を変えます。
でも、ニューロンの重みを変えればいいことは明らかで、これはそうでもない。
これは3つの状態で学習させたモデルで、私の適性関数を満足するように学習させるモデルが欲しいのです。
あるニューロンを訓練し、遺伝子を用いてその重みを変え、そのフィットネスを見ることを想像してください。
SMMでも同じことをしたいのですが、その場合は遷移行列を変えます。
しかし、ニューロンの重みの場合、何を変えればいいのかが明確で、ここではそうでもない。
必要なものは理解した、カスタムFFを設定できるようにしたい。しかし、この関数HMMFit()は、LLHを硬く縫い付けたBaum-Welchを実装しているので、この可能性をサポートしない。一部のバウムウェルチパラメーターのみ設定可能です
カスタムフレーズを指定できる別のパッケージが必要です。