概率图模型及序列标注
来源:互联网 发布:beta理财师软件 编辑:程序博客网 时间:2024/03/28 21:42
一、概率图模型
概率图模型是一类用图来表达变量相关关系的概率模型。以图作为表示工具,最常见的使用一个节点表示一个或一组随机变量,节点之间的边表示变量间的概率相关关系,即“变量关系图”。概率图模型大致分为两类:
1、贝叶斯网(Bayesian network):使用有向无环图表示变量间的依赖关系,又称为信念网络(belief network)或者有向无环图模型;
注意:
(1)朴素贝叶斯是一种特殊的贝叶斯网络,在贝叶斯网络的基础上加上了特征相互独立这个条件;
参考:http://blog.csdn.net/busycai/article/details/6635877
(2)隐马尔可夫模型(Hidden Markov Model,HMM)是结构最简单的动态贝叶斯网络,主要用于时序数据建模,在语音识别、NLP等领域有着广泛应用。
参考:http://www.cnblogs.com/skyme/p/4651331.html 《机器学习》(周志华)14.1小节
参考:http://f.dataguru.cn/thread-714649-1-1.html
(3)最大熵模型(MEM)(不属于概率图模型)
判别模型
参考:http://blog.csdn.net/erli11/article/details/24718655 (讲的很好)
参考:http://www.cnblogs.com/ooon/p/5677098.html
(4)最大熵隐马尔可夫模型(MEMM)
判别模型
参考:http://www.cnblogs.com/kevinGaoblog/p/3874709.html
2、 马尔科夫网(Markov network):使用无向图表示变量间的相关关系。
参考:http://blog.csdn.net/polly_yang/article/details/9716591
常见的马尔科夫网:
随机场:当给空间中每一个位置按照某种分布随机赋予相空间的一个值之后,其全体就叫做随机场;两个要素,位置、相空间。
(1)马尔可夫随机场(Markov Random Field,MRF),是生成模型。应用于图像处理领域。
(2)条件随机场(Conditional Random Field,CRF),条件随机场可以看作给定观测值的马尔可夫随机场,是判别模型。基于隐马尔科夫模型,并结合了最大熵模型的特点。用于分词、词性标注等序列标注问题。
二、序列标注
参考:http://blog.csdn.net/malefactor/article/details/50725480
RNN可以用来做序列标注
- 概率图模型及序列标注
- 序列标注模型
- 序列标注模型和分类器标注模型区别
- CRF序列标注模型几个问题的理解
- 概率图模型
- 概率图模型
- 概率图模型基础
- 概率图模型
- 概率图模型
- 概率图模型
- 概率图模型
- 概率图模型
- 概率图模型
- 概率图模型基础
- 概率图模型
- 概率图模型
- 概率图模型资源整合
- 概率图模型
- Spring中@Autowired注解、@Resource注解的区别
- Java 封装
- InnoDB存储引擎——两次写
- 旧键盘打字(20)
- 骆峰式命名法
- 概率图模型及序列标注
- JSP的状态管理-cookie(五)
- Fatal error compiling:tools.jar not found
- 解析Linux系统修改时区不用重启方法
- bzoj 2208 缩点+dfs
- 性能测试指标及常用监控工具
- mariadb的主从同步和读写分离
- Java 接口
- CentOS6.5安装nginx