あちこちからの抜粋は、自分の研究ノートは、Wuguaiは、侵略を削除する場合にのみ!
より詳細には、確率的グラフィカルモデルは、ナイーブベイズモデル、最大エントロピー、隠れマルコフモデル、症例報告書、テーマモデルを含み、機械学習の多くのシーンは、用途の広い範囲を持っています。
図確率モデル式によるデータ(サンプル) モデリング表されます:
すなわち、ランダム変数と、特に、(ここでは、トークンまたはラベルであってもよい)、ノードを示す
ノートは、確率変数モデリング
今仮想配列に対応する(確率変数の数を表し、それは多くが含まれていトークン)、
確率変数の分布。
エッジ、つまり、依存性の確率を表します。具体的にがたは理解以降CRFグラフHMM又は特異的な結合に解釈されます。
有向非有向グラフ:確率的グラフィカルモデルは、2つのタイプに分けることができます。
そこ無向グラフ有向グラフ対
図を見ることができる、ベイジアンネットワーク(信念ネットワーク)が導かれ、マルコフネットワークを無向れます。そのため、相互に依存するモデルのエンティティ間の依存一方向のデータ、マルコフネットワークをモデル化するためのベイジアンネットワークがあります。具体的には、検索する方法で自社のコアの違いの性能は 、それがどのように表し
同時確率を。
有向グラフ
有向グラフモデルのため、そう同時確率を求めます。
たとえば、グラフにする必要があり、以下の確率変数のために(私が描いたこの数字はかなり広範であることに注意してください):
これは彼らの同時確率を表している必要があります:
これはよく理解されなければなりません。
無向グラフ
無向グラフの場合、私は(私が描いたこの数字は、比較的広いことに注意してください)、それは情報マルコフネットワークを指し、一般的には思います。
グラフが大きすぎる場合、それは倍に分解することができる 関節確率の数に書き込まれる製品。それを分解イエは、図の複数に分割されている。「小グループ」を、各グループは、特定の任意の2点に取り付けられている「最大基」(でなければならないことに注意......まあ何の説明は、最大接続サブされず図)、があります。
どの 式がそれを理解することは難しいことではありません、確率を数えた結果の正規化を可能にすることです。
したがって、上記の無向グラフのように:
どちら の最大のグループの一つである
同時確率ランダム変数であり、そして一般的に指数関数:
さて、この事は、チューブと呼ばれます势函数
。ことに注意してください CRFの影を見ることがある場合。
同時確率分布は図分解で表すことができる可能性があります。
CRFの始まりである黒板、ノック、ここでの理解は、再帰的プロセスを注意することが非常に重要であることに注意してください!