机器学习算法笔记(4):条件随机场
1.马尔可夫链:通俗理解马尔可夫链
假设一个随机过程中,
t
n
t_n
tn 时刻的状态
x
n
x_n
xn的条件发布,只与其前一状态
x
n
−
1
x_{n-1}
xn−1 相关,即:
P
(
x
n
∣
x
1
,
x
2
,
.
.
.
,
x
n
−
1
)
=
P
(
x
n
∣
x
n
−
1
)
P(x_n|x_1,x_2,...,x_{n-1}) = P(x_n|x_{n-1})
P(xn∣x1,x2,...,xn−1)=P(xn∣xn−1)
通俗地说就是,未来的分布只取决于当前状态,而与过去无关。
2.隐马尔科夫算法
一种对未知参数的马尔科夫链进行建模的生成模型
3.条件随机场
如何轻松愉快地理解条件随机场(CRF)?
条件随机场是逻辑回归的序列化版本。逻辑回归是用于分类的对数线性模型,条件随机场是用于序列化标注的对数线性模型。
条件随机场包含概率计算问题、学习问题和预测问题三个问题:
- 概率计算问题:已知模型的所有参数,计算观测序列 𝑌 出现的概率,常用方法:前向和后 向算法;
- 学习问题:已知观测序列 𝑌 ,求解使得该观测序列概率最大的模型参数,包括隐状态序列、隐状态间的转移概率分布和从隐状态到观测状态的概率分布,常用方法:Baum-Wehch 算法;
- 预测问题:一直模型所有参数和观测序列 𝑌 ,计算最可能的隐状态序列 𝑋 ,常用算法:维特比算法。