本文深入探讨了条件随机场(CRF)的概念，它是一种用于表示输出随机变量给定输入随机变量条件概率分布的模型。文章提到了无向图模型，包括有向图（如贝叶斯网络）和无向图（如马尔科夫随机场），并解释了马尔科夫性，如成对、局部和全局马尔科夫性。此外，还介绍了无向图中的团和最大团的概念，以及条件随机场如何建立在马尔科夫随机场的基础上，表示条件概率分布。
格式驾驭不了，图片大小不会改，可以直接看我的有道笔记：http://note.youdao.com/noteshare?id=2fe331b7bd0ad355e3afe29da20c6b7d
CRF(conditional random field，条件随机场)
- 给定一组输入随机变量的条件下另一组输出随机变量的条件概率分布密度
- 图：
- 由节点v和连接节点的边e组成的集合。记作G=（V,E）。无向图指边没有方向的图
-
概率图模型(PGM)：
-
用图的形式表示随机变量之间条件以来的概率模型。常用分两类：①有向图（贝叶斯网络、信念网络）②无向图（马尔科夫随机场、马尔科夫网络）
最低0.47元/天 解锁文章
2601
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
