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。