条件随机场Conditional Random Field

听说这个词很久了，最近花了几天时间在啃这块东西。

看了李航的统计学习方法，实际不太理解，上面没有实际的案例，只是列举了一些定理和公式。

Conditional Random Field 属于 Markov Random Field， which 可以表示为一个无向图模型。

今天早上看了一下这篇blog，针对例子感觉有些清楚了。

http://blog.echen.me/2012/01/03/introduction-to-conditional-random-fields/

稍候我再总结一下

原文地址：https://www.cnblogs.com/jimtheman/p/8667855.html

时间： 2024-10-08 21:48:18

条件随机场Conditional Random Field的相关文章

条件随机场 Conditional Random Fields

简介假设你有冠西哥一天生活中的照片(这些照片是按时间排好序的),然后你很无聊的想给每张照片打标签(Tag),比如这张是冠西哥在吃饭,那张是冠西哥在睡觉,那么你该怎么做呢? 一种方法是不管这些照片的序列性(照片本来是按照时间排序的),然后给每张图片弄一个分类器.例如,给了你冠西哥一个月的生活照作为训练样本(打了Tag的),你可能就会学习到:早上6点黑乎乎的照片可能就是冠西哥在睡觉:有很多亮色的照片可能就是冠西哥在跳舞:有很多车的照片可能就是冠西哥在飙车. 很明显,照片的序列性包含有很多信息,忽视

<知识库的构建> 3-2 条件随机场Condition Random Field

@font-face { font-family: "Cambria Math"; }@font-face { font-family: "DengXian"; }@font-face { font-family: "@DengXian"; }p.MsoNormal, li.MsoNormal, div.MsoNormal { margin: 0cm 0cm 0.0001pt; font-size: 12pt; font-family: &quo

条件随机场(Conditional Random Fields)入门篇

1.1 引言关系数据有两个特征: 1 待建模实体概率不独立.2 待建模的实体往往有很多特征可以帮助分类.例如,分类网页时,网页的文字信息可以提供很多信息,但网页间的超链接也可以帮助分类.[Tasker et al., 2012] 图模型是一种利用实体间概率依赖性的自然形式,通常,图模型用来表示联合分布P(x,y), y 表示的是期望的预测,x则表示可见的待待建模实体,类似于mechine learing的输入x(i)与类标记y,但是对非独立变量的联合分布建模会很困难,因为根据乘法公式P(x,

随机场（Random field）

一.随机场定义 http://zh.wikipedia.org/zh-cn/随机场随机场(Random field)定义如下: 在概率论中, 由样本空间Ω = {0, 1, -, G ? 1}n取样构成的随机变量Xi所组成的S = {X1, -, Xn}.若对所有的ω∈Ω下式均成立,则称π为一个随机场.π(ω) > 0. 一些已有的随机场如:马尔可夫随机场(MRF), 吉布斯随机场 (GRF), 条件随机场 (CRF), 和高斯随机场. 二.马尔可夫随机场(Markov Random Fiel

NLP —— 图模型（二）条件随机场（Conditional random field，CRF）

本文简单整理了以下内容: (一)马尔可夫随机场(Markov random field,无向图模型)简单回顾 (二)条件随机场(Conditional random field,CRF) 这篇写的非常浅,基于 [1] 和 [5] 梳理.感觉 [1] 的讲解很适合完全不知道什么是CRF的人来入门.如果有需要深入理解CRF的需求的话,还是应该仔细读一下几个英文的tutorial,比如 [4] . (一)马尔可夫随机场简单回顾概率图模型(Probabilistic graphical model,P

[Neural Network] {Université de Sherbrooke} C3: Conditional Random Field

http://info.usherbrooke.ca/hlarochelle/neural_networks/content.html these characteristics may come from a word. (hand writting data) sequence of observation => model the joint distribution over the whole sequence linear chain CRF usually => iid assu

猪猪的机器学习笔记（十八）条件随机场

条件随机场作者:樱花猪摘要: 本文为七月算法(julyedu.com)12月机器学习第十八次课在线笔记.条件随机场是一种判别式概率模型,是随机场的一种,常用于标注或分析序列资料,如自然语言文字或是生物序列. 引言: “条件随机场”被用于中文分词和词性标注等词法分析工作,一般序列分类模型常常采用隐马尔科夫模型(HMM),像基于类的中文分词.但隐马尔可夫模型中存在两个假设:输出独立性假设和马尔可夫性假设.其中,输出独立性假设要求序列数据严格相互独立才能保证推导的正确性,而事实上大多数序列数据不能

统计学习方法李航---第11章条件随机场

第11章条件随机场条件随机场(conditional random field, CRF)是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型,其特点是假设输出随机变量构成马尔可夫随机场.条件随机场可以用于不同的预测问题,本章主要讲述线性链(linear chain)条件随机场在标注问题的应用,这时问题变成了由输入序列对输出序列预测的判别模型,形式为对数线性模型,其学习方法通常是极大似然估计或正则化的极大似然估计. 11.1 概率无向图模型概率无向图模型(probabilist

条件随机场详析

条件随机场(Conditional random fields),是一种判别式图模型,因为其强大的表达能力和出色的性能,得到了广泛的应用.从最通用角度来看,CRF本质上是给定了观察值集合(observations)的马尔可夫随机场.在这里,我们直接从最通用的角度来认识和理解CRF,最后可以看到,线性CRF和所谓的高阶CRF,都是某种特定结构的CRF. 1. 随机场简单地讲,随机场可以看成是一组随机变量的集合(这组随机变量对应同一个样本空间).当然,这些随机变量之间可能有依赖关系,一般来说,也只