معرفی شرکت ها

FastHMM-0.1.2

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.1.2
0.1.1
0.1.2
0.1.1

توضیحات

A python package for HMM model with fast train and decoding implementation
ویژگی مقدار
سیستم عامل -
نام فایل FastHMM-0.1.2
نام FastHMM
نسخه کتابخانه 0.1.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Yunshan Chen
ایمیل نویسنده chenyunshan312@163.com
آدرس صفحه اصلی https://github.com/312shan/FastHMM
آدرس اینترنتی https://pypi.org/project/FastHMM/
مجوز -
[中文版本的 README](README.md) ------------------------------ # FastHMM A python package for HMM (Hidden Markov Model) model with fast train and decoding implementation ## Python version test by using Python3 ## Install ### pip ```bash pip install FastHMM ``` ### source ```bash pip install git+https://github.com/312shan/FastHMM.git ``` ## Usage ```python from FastHMM.hmm import HMMModel # test model training and predict hmm_model = HMMModel() hmm_model.train_one_line([("我", "r"), ("爱", "v"), ("北京", "ns"), ("天安门", "ns")]) hmm_model.train_one_line([("你", "r"), ("去", "v"), ("深圳", "ns")]) result = hmm_model.predict(["俺", "爱", "广州"]) print(result) # test save and load model hmm_model.save_model() hmm_model = HMMModel().load_model() result = hmm_model.predict(["我们", "爱", "深圳"]) print(result) ``` Output: ```python [('俺', 'r'), ('爱', 'v'), ('广州', 'ns')] [('我们', 'r'), ('爱', 'v'), ('深圳', 'ns')] ``` ## Performance: test on dataset 人民日报 ``` python .test/test_postagging.py ``` Output: ```text train size 18484 ,test_size 1000 finish training eval result: predict 57929 tags, 54228 correct, accuracy 0.9361114467710473 runtime : 370.1029086 seconds ``` Most of time the consuming is on the decoding stage, I tried many ways to implement viterbi algorithm, The implementation I currently use is the fastest If you have suggestions for improving this decoding algorithm, please let me know, thank you very much. ## Reference [MicroHMM](https://github.com/howl-anderson/MicroHMM) [Hidden Markov model](https://en.wikipedia.org/wiki/Hidden_Markov_model) [Viterbi algorithm](https://en.wikipedia.org/wiki/Viterbi_algorithm)


نیازمندی

مقدار نام
- pathlib
- typing


زبان مورد نیاز

مقدار نام
>=3.5 Python


نحوه نصب


نصب پکیج whl FastHMM-0.1.2:

    pip install FastHMM-0.1.2.whl


نصب پکیج tar.gz FastHMM-0.1.2:

    pip install FastHMM-0.1.2.tar.gz