CRFs是什么

本文小編為大家詳細(xì)介紹“CRFs是什么”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“CRFs是什么”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來(lái)學(xué)習(xí)新知識(shí)吧。

CRF是如何解決圖模型所面臨的的問(wèn)題的？

解決這個(gè)問(wèn)題的一個(gè)方法是直接對(duì)條件分布建模，這就是分類所需要的全部?jī)?nèi)容。CRFs本質(zhì)上是一種結(jié)合分類和圖模型優(yōu)點(diǎn)的方法，將對(duì)多元數(shù)據(jù)進(jìn)行緊湊建模的能力與利用大量輸入特征進(jìn)行預(yù)測(cè)的能力相結(jié)合。條件模型的優(yōu)勢(shì)在于，只涉及輸入數(shù)據(jù)變量的依賴關(guān)系在條件模型中不起作用，因此準(zhǔn)確的條件模型的結(jié)構(gòu)可以比聯(lián)合模型簡(jiǎn)單得多。對(duì)于機(jī)器學(xué)習(xí)極客來(lái)說(shuō)，生成模型和CRFs之間的區(qū)別類似于樸素貝葉斯分類器和邏輯回歸分類器之間的區(qū)別。事實(shí)上，多項(xiàng)式邏輯回歸模型可以看作是最簡(jiǎn)單的CRF，其中只有一個(gè)輸出變量。

CRFs是什么？

條件隨機(jī)場(chǎng)是對(duì)結(jié)構(gòu)化數(shù)據(jù)(如序列、樹(shù)和網(wǎng)格)進(jìn)行標(biāo)記和分段的概率框架。這在建模時(shí)間序列數(shù)據(jù)時(shí)特別有用，其中時(shí)間依賴性可以以各種不同的形式表現(xiàn)出來(lái)。其基本思想是在給定一個(gè)特定的觀察序列的情況下，定義標(biāo)簽序列上的條件概率分布，而不是標(biāo)簽和觀察序列上的聯(lián)合分布。CRFs的主要優(yōu)點(diǎn)是對(duì)獨(dú)立性假設(shè)的放寬。獨(dú)立假設(shè)是指變量之間不相互依賴，也不以任何方式相互影響。情況并非總是如此，這可能導(dǎo)致嚴(yán)重的錯(cuò)誤。

HMM vs CRF

HMM是一個(gè)生成模型，它通過(guò)基于訓(xùn)練數(shù)據(jù)建模轉(zhuǎn)換矩陣來(lái)直接給出輸出?？梢酝ㄟ^(guò)提供更多的數(shù)據(jù)點(diǎn)來(lái)改進(jìn)結(jié)果，但是不能直接控制輸出標(biāo)簽。HMM根據(jù)提供的訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)轉(zhuǎn)換概率。因此，如果我們提供更多的數(shù)據(jù)點(diǎn)，那么我們就可以改進(jìn)模型以包含更廣泛的種類。CRF是一個(gè)判別模型，它輸出一個(gè)置信度。在大多數(shù)情況下，這是非常有用的，因?yàn)槲覀兿胫滥Ｐ驮谀且稽c(diǎn)上對(duì)標(biāo)簽有多確定。這種置信度可以閾值化，以適應(yīng)各種應(yīng)用。置信度的好處是，與HMM相比，誤警的數(shù)量較低。

相對(duì)于HMMs, CRFs的主要優(yōu)勢(shì)在于它們的條件概率的特性，這使得HMMs所需的獨(dú)立性假設(shè)得到了放松。此外，CRFs避免了標(biāo)簽的偏差問(wèn)題，這是基于有向圖模型的馬爾可夫模型所顯示出來(lái)的弱點(diǎn)。CRF可以看作是HMM的一種泛化，或者我們可以說(shuō)HMM是CRF的一種特殊情況，在這種情況下，使用常數(shù)概率來(lái)建模狀態(tài)轉(zhuǎn)換。CRFs在許多實(shí)際序列標(biāo)記任務(wù)上都優(yōu)于HMMs。

讀到這里，這篇“CRFs是什么”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識(shí)點(diǎn)還需要大家自己動(dòng)手實(shí)踐使用過(guò)才能領(lǐng)會(huì)，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。