关于条件随机场的一些补充

最新推荐文章于 2024-06-07 09:48:54 发布

另一个我竟然存在

最新推荐文章于 2024-06-07 09:48:54 发布

阅读量2.6k

点赞数

分类专栏：机器学习机器学习理论及应用

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_24034545/article/details/84171820

版权

机器学习同时被 2 个专栏收录

13 篇文章 0 订阅

订阅专栏

机器学习理论及应用

13 篇文章 1 订阅

订阅专栏

原文：机器学习：《统计学习方法》笔记（二）—— 条件随机场（CRF）

参考：概率无向图模型

1. 概率无向图的因子分解

注：有一点笔者仍然不明白，《统计学习方法》是定义P(Y)的乘积是在最大团上进行，而有材料说明乘积是在极大团上进行。

无向图中的极大团的结点个数可以是不同的，只要满足“不能再加进任何一个结点”的条件，就是极大团。

因子分解是图中所有极大团的势函数的乘积规范化后的结果。计算公式如下

$P(Y)=\frac{1}{Z} \prod_{C} \psi_{C}\left(Y_C \right )$

$Z=\sum_{Y} \prod_{C}\psi_C(Y_C)$

$\psi_C(Y_C)=\exp\{-E(Y_C)\}$

针对上图，最大团有 $C_1=\left \{ x_1,x_2,x_3 \right \}, C_2=\left \{ x_3,x_4 \right \}, C_3=\left \{ x_3,x_5 \right \}$

联合概率分布为

$P(x_1,x_2,...,x_5)=\frac{1}{Z}\psi_{C1}(x_1,x_2,x_3) \psi_{C2}(x_3,x_4) \psi_{C3} (x_3,x_5)$
Z为每个节点所在团块的势函数乘积的和

$Z=\psi(C_1)+\psi(C_1)+\psi(C_1)\psi(C_2)\psi(C_3)+\psi(C_2)+\psi(C_3)$

上式理解为每个节点所在所有极大团的乘积和， x_1 在C1中， x_2 在C2中， x_3 在C1、C2、C3中， $x_4$ 在C2中， x_5 在C3中。

2. 概率无向图公式P(Y)与条件随机场P(Y|X)的联系

条件随机场是给定X的条件下，随机变量Y的马尔可夫随机场，即Y是满足马尔可夫性的。这里Y的条件概率分成P(Y|X)构成条件随机场。

线性条件随机场中，最大团是 $C_1=\left \{ y_1,y_2 \right \}, C_2=\left \{ y_2,y_3 \right \}, ...,C_n=\left \{ y_{n-1},y_n \right \}$ 。所以按照概率无向图的因子分解公式，可知

$P(y_1,y_2,...,y_n)=\frac{1}{Z}\psi_{C_1}(x_1,x_2)\psi_{C_2}(x_2,x_2)...\psi_{C_n}(x_{n-1},x_{n-2})$

$\psi_{C_i}(x_{i-1},x_{i})=\exp(\lambda_k t_k(y_{i-1},y_i,x,i)+\mu_l s_l(y_i,x,i))$

所以线性条件随机场的参数形式为

$P(y|x)=\frac{1}{Z(x)}\exp(\sum_{i,k}\lambda_k t_k(y_{i-1},y_i,x,i)+\sum_{i,l} \mu _l s_l (y_i,x,i))$

另一个我竟然存在

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
关于条件随机场的一些补充

原文：机器学习：《统计学习方法》笔记（二）—— 条件随机场（CRF）参考：概率无向图模型1. 概率无向图的因子分解注：有一点笔者仍然不明白，《统计学习方法》是定义P(Y)的乘积是在最大团上进行，而有材料说明乘积是在极大团上进行。无向图中的极大团的结点个数可以是不同的，只要满足“不能再加进任何一个结点”的条件，就是极大团。因子分解是图中所有极大团的势函数的乘积规范化后的结果。计算...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。