首页

pomegranate是一个Python包，实现了从单一概率分布到组合模型（如贝叶斯网络和隐马尔可夫模型）的快速灵活概率模型。pomegranate背后的核心理念是：所有概率模型都可视为概率分布，因为它们都能为样本生成概率估计，并可根据样本及其关联权重进行更新。这一观点带来的主要优势是，pomegranate中实现的组件可以比其他软件包更灵活地堆叠组合。例如，构建高斯混合模型就像构建指数或对数正态混合模型一样简单。但这还不是全部！用户可以创建在每项特征上使用不同类型分布的贝叶斯分类器——可能用指数分布建模时间相关特征，用泊松分布建模计数特征。最后，由于这些组合模型本身也可视为概率分布，用户甚至可以构建贝叶斯网络的混合模型，或是能对序列进行预测的隐马尔可夫贝叶斯分类器。

除了多种概率分布和模型外，pomegranate还为所有模型实现了多种内置功能。这些功能包括不同的训练策略，如半监督学习、缺失值学习和小批量学习。它还支持通过核外学习处理海量数据、多线程并行以及GPU加速。

感谢您

没有一个优秀的项目是独自完成的，因此我要感谢所有曾为YAHMM做出贡献的人，所有当前为pomegranate贡献的人，以及那些被我不断用想法和问题打扰的研究生们。

贡献

我们热忱欢迎您的贡献！如果您想贡献一个新功能，请fork主分支，并在修改任何代码前确保运行测试。请在问题跟踪器上告知我们您的计划，以防我们已经在开发类似功能。另外，请不要忘记为任何新函数添加测试。贡献前请查阅行为准则。