使用HMM对异构数据进行建模

Question

我已经经历了嗯的概念，并且我已经理解了其中的大多数。然而，我对如何将其映射到我的问题感到困惑。

我有病人的信息。每名病人在x周后都会得到一种药物。X取决于病人的处方。现在，每个病人都得到额外的药物治疗，所以如果分娩失败，他/她不会错过他们的剂量。我们把这个额外的药物缓冲液叫做。所以病人的缓冲液可能已经满了，这意味着他还没有用完。或者可能是部分满了。或者是空的。我的输出状态是服药不当还是服用不当。在我看来，我将找到P(Misdose|S={s1，s2，s3})和P(~Misdose|S={s1，s2，s3})的概率。问题是每个病人都会有不同的顺序。我是否把所有的病人串联成一个序列？还是把它们当成多序列？我该怎么预测一个新病人？

资源:以下是我用来理解它的资源：

https://towardsdatascience.com/markov-and-hidden-markov-model-3eec42298d75

https://hmmlearn.readthedocs.io/en/latest/tutorial.html

Answer 1

隐马尔可夫模型(HMM)假定隐变量的状态空间是离散的。如果额外的药物缓冲器是您的状态空间，那么将其建模为连续更有意义。然后一种选择是线性动力系统建模。

同时，HMM被设计用来预测基于潜在状态的序列(额外的药物缓冲器)。“误服”的概率不是一个序列。将其描述为时间序列问题可能更有用。给定一组观察到的特征，“误用”的概率是多少？不需要显式建模任何潜在状态。