Bio.MarkovModel模块

一个发出状态的MarkovModel。

注：使用的术语类似于Manning和Schutze。

功能：Train_BW使用Baum-Welch算法训练马尔可夫模型。Train_Visible基于MLE的可视马尔可夫模型的训练FIND_STATES查找解释某些观察结果的状态序列。

加载MarkovModel。保存保存MarkovModel。

类：MarkovModel保存马尔可夫模型的描述

Bio.MarkovModel.itemindex(values)

返回值字典，并将其序列偏移量作为键。

class Bio.MarkovModel.MarkovModel(states, alphabet, p_initial=None, p_transition=None, p_emission=None)

基类：object

创建一个发出状态的MarkovModel对象。

__init__(states, alphabet, p_initial=None, p_transition=None, p_emission=None)

初始化类。

__str__()

创建MarkovModel对象的字符串表示形式。

Bio.MarkovModel.load(handle)

将文件句柄解析为MarkovModel对象。

Bio.MarkovModel.save(mm, handle)

将MarkovModel对象保存到句柄中。

Bio.MarkovModel.train_bw(states, alphabet, training_data, pseudo_initial=None, pseudo_transition=None, pseudo_emission=None, update_fn=None)

使用Baum-Welch算法训练MarkovModel。

使用Baum-Welch算法训练MarkovModel。州是描述每个州名称的字符串列表。字母表是指示允许的输出的对象列表。Training_Data是一个观察值列表。每个观察值都是字母表中的对象列表。

伪初始、伪转换和伪发射是可选参数，您可以使用它们将伪计数分配给不同的矩阵。它们应该是适当大小的矩阵，其中包含要在归一化之前与每个参数矩阵相加的数字。

UPDATE_FN是一个可选的回调函数，它接受参数(迭代、LOG_LIKISITY)。它在每次迭代中调用一次。

Bio.MarkovModel.train_visible(states, alphabet, training_data, pseudo_initial=None, pseudo_transition=None, pseudo_emission=None)

使用每个参数的最大似然估计来训练可见的MarkovModel。

使用每个参数的最大似然估计来训练可见的MarkovModel。州是描述每个州名称的字符串列表。字母表是指示允许的输出的对象列表。Training_Data是(输出，观察到的状态)的列表，其中输出是来自字母表的发射的列表，而观察到的状态是来自状态的状态的列表。

伪初始、伪转换和伪发射是可选参数，您可以使用它们将伪计数分配给不同的矩阵。它们应该是适当大小的矩阵，其中包含要加到每个参数矩阵上的数字。

Bio.MarkovModel.find_states(markov_model, output)

在给定的马尔可夫模型输出中查找状态。

返回(州、分数)元组列表。