条件随机场(Conditional Random Fields, 以下简称CRF)是给定一组输入序列条件下另一组输出序列的条件概率分布模型
什么样的问题需要CRF模型
为了让我们的分类器表现的更好，可以在标记数据的时候，可以考虑相邻数据的标记信息。序列化标注任务。
从随机场到条件随机场
- 随机场：随机场是由若干个位置组成的整体，当给每一个位置中按照某种分布随机赋予一个值之后，其全体就叫做随机场。
- 马尔科夫随机场：马尔科夫随机场是随机场的特例，它假设随机场中某一个位置的赋值仅仅与和它相邻的位置的赋值有关，和与其不相邻的位置的赋值无关。
- 条件随机场：CRF是马尔科夫随机场的特例，它假设马尔科夫随机场中只有X和Y两种变量，X一般是给定的，而Y一般是在给定X的条件下我们的输出
数学定义
设X=(X1,X2,...Xn),Y=(Y1,Y2,...Yn)均为线性链表示的随机变量序列，在给定随机变量序列X的情况下，随机变量Y的条件概率分布P(Y|X)构成条件随机场，即满足马尔科夫性：
P(Yi|X,Y1,Y2,...Yn)=P(Yi|X,Yi−1,Yi+1)
则称P(Y|X)为线性链条件随机场。
参考
crf 主要用于序列标注问题，可以简单理解为给序列中的每一帧都进行分类。
这类问题的另一个解法：逐帧softmax
特点：并没有直接考虑输出的上下文关联。
crf 在输出端显示的考虑了上下文关联
假设一个输入有n帧，每一帧的标签有k种可能性。
softmax将序列标注看成是n个k分类问题。crf将序列标注看成是1个$k^n$分类问题。
目标
要计算的是条件概率
crf两个假设
- 指数分布族假设
- 输出之前的关联仅发生在相邻位置，并且关联是指数加性的.
考虑到模型可以捕捉各个y域输入x的联系，因此，不忘考虑函数g和x无关。则
\[f(y_1,...,y_n;X) = h(y_1;X)+g(y_1,y_2)+h(y_2;X)+...+g(y_{n-1},y_n)+h(y_n;X) - (4) \]标签：...,马尔科夫,crf,机场,条件,序列 来源： https://www.cnblogs.com/xchenblogs/p/15697375.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。