Fit/Train HMM Classifier

class GestureRecognition.hmmclassifier.HMMClassifier

Bases: object

TODO: Implementiere einen HMM-basierten Klassifikator

Ziel:

Entwickle einen Klassifikator, der zeitliche Sequenzen mit Hilfe von Hidden-Markov-Modellen (HMMs) klassifiziert. Für HMMs können libraries wie hmmlearn benutzt werden

Grundidee:

• Trainiere ein Modell pro Klasse

• Bewerte neue Sequenzen anhand der Likelihood unter jedem Modell

• Wähle die Klasse mit der höchsten Wahrscheinlichkeit

Bemerkung

Wie genau deine Modelle aussehen (z. B. Anzahl Zustände, Features, Initialisierung etc.) ist bewusst nicht vorgegeben.

Wichtige Designentscheidungen:

• Wie strukturierst du deine Trainingsdaten?

• Wie repräsentierst du Sequenzen?

• Wie verbindest du mehrere Sequenzen mit Labels?

Speicherung:

Du solltest dir überlegen: - Wie speicherst du dein trainiertes Modell? - Wie lädst du es später wieder? - Welche Informationen müssen persistiert werden (z. B. Klassen, Modelle)?

Tipp

pickle ist eine einfache Möglichkeit, Modelle zu speichern. Alternativ kannst du auch eigene Formate definieren.

Evaluation:

Für sinnvolles Training solltest du unbedingt: - eine eigene train_test_split-Logik implementieren - Trainings- und Testdaten sauber trennen

Warnung

Wenn du Training und Test nicht trennst, sind deine Ergebnisse nicht aussagekräftig.

Erweiterung (optional):

• Implementiere eine Grid Search für Hyperparameter (z. B. Anzahl Zustände, Modellstruktur)

• Vergleiche verschiedene Modellkonfigurationen

decision_function()

TODO: Berechne Scores für jede Klasse

Ziel:

Berechne für jede Eingabesequenz einen Score pro Klasse (z. B. Log-Likelihood unter jedem Modell).

Anforderungen / Ideen:

• Zerlege die Eingabe in einzelne Sequenzen

• Berechne für jede Sequenz:

  Score unter jedem Klassenmodell

• Gib eine Struktur zurück wie:

  (n_sequences, n_classes)

Tipp

Die meisten HMM-Implementierungen bieten eine score-Funktion für Likelihoods.

Bemerkung

Du entscheidest selbst:

• Welcher Score verwendet wird

• Wie du mehrere Sequenzen behandelst

Warnung

Stelle sicher, dass:

• Die Reihenfolge der Klassen konsistent ist

• Scores vergleichbar sind

returns:

scores – Score pro Sequenz und Klasse

rtype:

array-like

fit()

TODO: Trainiere den Klassifikator

Ziel:

Trainiere ein separates HMM für jede Klasse basierend auf den gegebenen Sequenzen.

Anforderungen / Ideen:

• Zerlege die Daten so, dass du pro Klasse alle Sequenzen bekommst

• Trainiere ein Modell pro Klasse

• Speichere die trainierten Modelle intern

Tipp

Überlege dir eine sinnvolle Datenstruktur wie: label -> (Daten, Sequenzlängen)

Bemerkung

Die konkrete Umsetzung ist offen:

• Wie genau du Daten aufteilst

• Wie du dein Modell initialisierst

• Welche Hyperparameter du verwendest

Warnung

Achte darauf, dass:

• lengths zu X passen

• Labels korrekt zu Sequenzen zugeordnet sind

Erweiterung:

• Experimentiere mit verschiedenen Modellgrößen

• Nutze eine Grid Search zur Optimierung

• Verwende ein separates Testset zur Evaluation

rtype:

self

predict()

TODO: Sage Klassenlabels voraus

Ziel:

Weise jeder Eingabesequenz ein Label zu.

Anforderungen / Ideen:

• Nutze deine decision_function

• Wähle für jede Sequenz die Klasse mit bestem Score

Tipp

Typischerweise: argmax über Klassen

Bemerkung

Achte darauf, dass:

• Klassenreihenfolge konsistent ist

• Rückgabewerte klar interpretierbar sind

Erweiterung:

• Gib zusätzlich Unsicherheiten oder Scores zurück

• Implementiere Top-k Vorhersagen

returns:

labels – Vorhergesagte Labels

rtype:

list