【机器学习】【条件随机场CRF-1】CRF的矩阵形式表示的示例讲解 + Python实现

1.条件随机场的概念

CRF，conditional random field，条件随机场。

条件随机场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。

2.条件随机场的矩阵表示

条件随机场还可以由矩阵表示。

假设有一个标注问题：输入观测序列X=(X1, X2, X3, X4, X5)，输出标记序列为Y=(Y1, Y2, Y3, Y4, Y5)，每个观测Xi对应的Yi取值范围为{1,2}，即标注函数值只能为1，或者2：:F(x) = 1或者F(x) = 2。

如果引进特殊的起点和终点状态标记y0 = start，yn+1=stop，这时候P(y|x)可以通过矩阵形式表示，给出一个示例以便理解。

示例：给定一个由下图所示的线性链条件随机场CRF，观测序列x，状态序列y，y=1,2,3，n=3，标记取值范围{1,2}

假设y0=start=1，yn+1=y4=start=1，各个位置的随机矩阵M1（x），M2（x），M3（x），M4（x）分别如下所示：

    M1 = np.array([[0.5, 0.5],[0,   0]])
    M2 = np.array([[0.3, 0.7],[0.7, 0.3]])
    M3