Rozumiem, że HMM (ukryte modele Markowa) to modele generatywne, a CRF to modele dyskryminujące. Rozumiem również, w jaki sposób zaprojektowano i zastosowano CRF (warunkowe pola losowe). Nie rozumiem, czym różnią się od HMM? Czytałem, że w przypadku HMM możemy modelować nasz następny stan tylko na poprzednim węźle, bieżącym węźle i prawdopodobieństwie przejścia, ale w przypadku CRF możemy to zrobić i połączyć dowolną liczbę węzłów razem, aby utworzyć zależności lub konteksty? Czy mam rację tutaj?
machine-learning
hidden-markov-model
natural-language
conditional-random-field
użytkownik1343318
źródło
źródło
Odpowiedzi:
Z wprowadzenia McCalluma do CRF :
źródło
„Warunkowe pola losowe można rozumieć jako sekwencyjne rozszerzenie do modelu maksymalnej entropii”. To zdanie pochodzi z raportu technicznego dotyczącego „Klasycznych modeli probabilistycznych i warunkowych pól losowych”.
Jest to prawdopodobnie najlepsza lektura dla takich tematów jak HMM, CRF i Maximum Entropy.
PS: Rycina 1 w linku daje bardzo dobre porównanie między nimi.
Pozdrowienia,
źródło
Na marginesie: Uprzejmie proszę o zachowanie tej (niekompletnej) listy, aby zainteresowani użytkownicy mieli łatwo dostępny zasób. Status quo nadal wymaga od osób fizycznych sprawdzenia wielu dokumentów i / lub długich raportów technicznych w celu znalezienia odpowiedzi związanych z CRF i HMM.
Oprócz innych, już dobrych odpowiedzi, chcę wskazać wyróżniające się cechy, które uważam za najbardziej godne uwagi:
[1] Sutton, Charles; McCallum, Andrew (2010), „Wprowadzenie do warunkowych pól losowych”
źródło