条件概率推导

条件概率公式: P(A|B) = P(A)*P(B|A) / P(B)

P(A|B):在B发生的情况下A 发生的概率
现实中知道P(B|A)的例子很多,可以通过条件概率公式求出P(A|B)

当A和B不相互独立可以得到如下两个公式:
P(A&B) = P(A)*P(B|A)
P(B&A) = P(B)*P(A|B)

⇒ P(A|B) = P(A)*P(B|A)/P(B)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MEMM(Maximum Entropy Markov Models)模型是一种条件随机场模型,用于解决序列标注问题。在MEMM模型中,我们通过条件概率推导来对给定输入序列和标记序列的联合概率进行建模。 假设我们有一个观测序列X和对应的标记序列Y,我们的目标是找到给定观测序列X的条件下,标记序列Y的最佳估计。条件概率P(Y|X)可以通过MEMM模型来表示。 首先,我们将标记序列Y表示为一组随机变量Y1, Y2, ..., Yn,每个变量表示对应位置上的标记。然后,我们定义特征函数f(Yi, Xi, Yi-1, i)用于描述当前标记Yi和观测序列Xi以及前一位置标记Yi-1的关系。特征函数可以衡量不同标记在不同观测条件下的可能性。 接下来,我们使用特征函数的加权和来表示给定观测序列X条件下标记序列Y的联合概率分布。参数化权重向量λ,通过最大熵原理来估计模型参数。通过最大化对数似然函数L(λ)来优化参数,使P(Y|X)的估计最接近真实的条件概率分布。 最后,当我们得到参数λ的估计后,就可以利用MEMM模型来预测给定观测序列X的标记序列Y。通过对特征函数的权重进行加权求和,就可以得到每个标记的概率分布,从而找到最可能的标记序列。 总之,MEMM模型通过概率推导建模观测序列和标记序列的联合概率分布,然后通过最大化对数似然函数来优化模型参数,从而实现对标记序列的准确预测。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值