scikit-learn GaussianHMM ValueError: entrada debe ser una matriz cuadrada

votos
3

Estoy trabajando con scikit-learn de GaussianHMM y estoy recibiendo el siguiente ValueError cuando intento para que se ajuste a algunas observaciones. aquí es el código que demuestra el error:

>>> from sklearn.hmm import GaussianHMM
>>> arr = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> arr
matrix([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])
>>> gmm = GaussianHMM ()
>>> gmm.fit (arr)
/System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/numpy/lib/function_base.py:2005: RuntimeWarning: invalid value encountered in divide
  return (dot(X, X.T.conj()) / fact).squeeze()
Traceback (most recent call last):
  File <stdin>, line 1, in <module>
  File /Library/Python/2.7/site-packages/sklearn/hmm.py, line 427, in fit
    framelogprob = self._compute_log_likelihood(seq)
  File /Library/Python/2.7/site-packages/sklearn/hmm.py, line 737, in _compute_log_likelihood
    obs, self._means_, self._covars_, self._covariance_type)
  File /Library/Python/2.7/site-packages/sklearn/mixture/gmm.py, line 58, in log_multivariate_normal_density
    X, means, covars)
  File /Library/Python/2.7/site-packages/sklearn/mixture/gmm.py, line 564, in _log_multivariate_normal_density_diag
    + np.dot(X ** 2, (1.0 / covars).T))
  File /System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/numpy/matrixlib/defmatrix.py, line 343, in __pow__
    return matrix_power(self, other)
  File /System/Library/Frameworks/Python.framework/Versions/2.7/Extras/lib/python/numpy/matrixlib/defmatrix.py, line 160, in matrix_power
    raise ValueError(input must be a square array)
ValueError: input must be a square array
>>> 

¿Cómo puede remediar esto? Parece que me estoy dando entradas válidas. ¡Gracias!

Publicado el 16/12/2013 a las 17:56
por usuario
En otros idiomas...                            


2 respuestas

votos
3

Usted tiene que encajar con una lista, vea ejemplos oficiales :

>>> gmm.fit([arr])
GaussianHMM(algorithm='viterbi', covariance_type='diag', covars_prior=0.01,
      covars_weight=1,
      init_params='abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ',
      means_prior=None, means_weight=0, n_components=1, n_iter=10,
      params='abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ',
      random_state=None, startprob=None, startprob_prior=1.0, thresh=0.01,
      transmat=None, transmat_prior=1.0)
>>> gmm.n_features
3
>>> gmm.n_components
1
Respondida el 16/12/2013 a las 18:03
fuente por usuario

votos
3

De acuerdo con los documentos , gmm.fit(obs)espera obsa ser una lista de objetos de matriz como:

obs : list
    List of array-like observation sequences (shape (n_i, n_features)).

Por lo tanto, trate de:

import numpy as np
from sklearn.hmm import GaussianHMM
arr = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
gmm = GaussianHMM()
print(gmm.fit([arr]))

Modelos ocultos de Markov (HMMs) están ya no soportados por sklearn.

Respondida el 16/12/2013 a las 18:04
fuente por usuario

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more