図知人モデル

図知人モデル

理解

二つのタイプに分けグラフィカルモデル、無向グラフモデル対有向グラフモデル（ダイレクトモデル）、通常は有向グラフモデルのために、我々はとも呼ばれるBeyesianネットワーク（BN）

有向グラフ

一般的な仮説有向グラフ、事前に定義された通常の良好なビジネスシナリオ（変数間の既知の関係）によって：

- > C; B-> C;

C - > D; D - > E

関係も表明しています

そのような有向グラフため、その書き込みに非常に容易である同時確率のを：

\（P（A、B、C、D、E）= P（）\ P（B）\ P（C | A、B）\ P（D | C）\ P（E | D）\）

それが常識と一致しているので、左から右へ、書かれた結論右の条件....書き込みを残し、... |「」条件付き確率を使用する理由を理解すると思われます

このようにして条件付き確率は、この関係図の要素、他の例を表現するために非常に簡単です。

- > C; B - > C;

C - > E; D - > E;

彼らの同時確率を表現するのと同じ方法：

\（P（A、B、C、D、E）= P（）\ P（B）\ P（C | A、B）\ P（E | C、D）\）

無向グラフ

ケースは、ちょうど右の画像セグメンテーションのために、小さなを与えます。

実際には、画像の1つの画素は、有意にクラスターは、次に隣接のでのクラスとして、「クラスタ」に画素間の距離に応じて、不透明、3つの又は4のクラスタに分割することができることができる無秩序接続それはそう無向グラフのプロセスであり、その後画像は、いくつかの「チャンク」に分割されます。

無向グラフを考えてみます。

交流

---- B ---- D ---- E

F --- D。F --- E

同様に、同時確率、あなたがたはそれを書くこと？何の方向がないため、条件付き確率は、使用することはできませんが明確ではありません。

このような場合のために、あなたが定義することができ、エネルギー関数、（エネルギー関数）、これが実際に意味の大きさの共起確率、異なる変数間や気密性やどのくらいの関連性。

無向グラフはスパイクに分割変数（二十から二接続）することができるためにこれに基づいて、特定のポイントが仮定は、それが3つのクラスタに分割されているような場合を想定するかを確認する方法です。

A、B、C

B、D

D、E、F

\（P（A、B、 C、D、E、F）\） この同時確率は、に分解されます。

\（\ Phi_1（A、B、C）\ * \ phi_2（B、D）* \ phi_3（D、E、F）\）

\（\ PHI \）が大きく、より密接にそれ、変数間の近さの尺度として見ることができます

つまり、B、C、D、である 、F E この3との気密性\（\ファイ\） 、関連するモジュールの近さ、したがってそれはれる乗算しかし、することが可能であることに留意されたい\ （\ phi_1、\ phi_2、\ phi_3 \） と考えscore_1、score_2、score_3、ではなく等しい確率ああ、しかし、私たちのニーズが、質問があるので、また、我々は得点に望むものになる方法を、確率が必要ですそれの確率は？

実際には、に似て一般的に、古典的な値を取得するには、全体の合計値、最大のすべての部分にそれのように、その後にする確率として、部品の割合を算出しました。

\（Z = \和\限界_ {A、B、C、D、E、F} \ phi_1（A、B、C）\ * \ phi_2（B、D）* \ phi_3（D、E、F） \）

その後：

\（P（A、B、C、D、E、F）= \ FRAC {1} {Z} \ phi_1（A、B、C）\ * \ phi_2（B、D）* \ phi_3（D、E F）\）

このプロセスは、通常、プロセスは、正規化（標準化、正規化）またはコールパーティション関数と呼ばれています。

難しさがあり、Zを計算する方法をされているのですか？もしそうであれば、離散、通常の動的プログラミングは、連続式は、あなたには、いくつかのおおよその見積りはそのための共同確率を求めている時には、見つけることができます使用して、

• 図は、一緒に「ステッチ」で地元の確率に向け
• 無向グラフは、確率スコア、そのようなZの必要一緒に「スプライシングされた」スコア関数ではなく、正規変換します

図機能スコアのコアを定義する方法、そのいずれも、異なる機能のスコアの結果は、異なるされないのため

栗：定義スコア

3つの頂点A、B、Cに無向グラフ、三角形を考えます

より直感的には、それは、bは、三つの異なる人々のc代表は、需要が3つの古い鉄、どのように競争力のあるバスケットボールチームのプレーを見ていると仮定される（確率0-1）

次に、特徴抽出に対する

• >抽出機能 - - > F1 A、B、Cは、INSTITUTEかどうかであります
• A、B、Cであればヒット異なる位置 - >抽出機能 - > F2
• >抽出が特徴 - - > F3 A、B、Cは、どのくらいの頻度で再生します

定義されたスコア（A、B、C）が、これは、例えばすることができ、実際には別のモデルを見ます

\（スコア（A、B、C）= W_1 F_1 + W_2 F_2 + w_3 F_3 \）

また、のようなことができCRFモデルで定義されています：

\（ログ\スコア（A、B、C）= \和\制限_i w_iのf_i \）

このカテゴリはまた、のような典型的なロジスティック回帰対数線形モデル、CRFと呼ばれています。

ありませんそれは、チャートに完全に依存スコア関数を定義する方法を、別のモデルを訓練します。

• ナイーブBEYESは有向グラフ（ジョイント/条件付き確率）であり、場合無向グラフに変換され、それはロジスティック回帰となります
• チェーンのCRF - （隠れマルコフ）HMM有向グラフ、無向グラフが投入されると、それはリニアになります
• ベイジアンネットワーク - >ノーバック - >一般のCRF

実際には非有向グラフなし絶対のために分割ブロックも、あなたがどう定義するかに依存する方法、例えば、私は、フォームのペアは、用語上の同じ図に分割するつもりです。

\（P（A、B、C、D、E）= \ FRAC {1} {Z} \ phi_1（C）\ \ phi_2（B、C）\ \ phi_3（B）\ \ phi_4（ B、D）\ \ phi_5（C）\ \ phi_6（F、D）\ \ phi_7（F、F）\）

方法を固定し、我々の理解前提に完全に依存する。これは、プロセスでああ抽出機能に、A、B、C、E工程、 E、Fは、 実施例（試料）とみなすことができる特徴的な変数ではありません。

そこ無向グラフ有向グラフ対

• ローカル正規化は、正規化された有向グラフが作用である局所（条件付き確率だけでなく、部分的に依存）
• 無向グラフは、グローバル正規化、すなわち正規化は全体像である（すべての変数zを解決するために設計された、ので、グローバルAH）

インパクトモデルは、人気の理解は有向グラフはに類似していることである貪欲アルゴリズム、ローカルで最適解を見つけるための時間。考慮せずにグローバルマップに相当し、それはより包括的になります。

これは、目的はそれを見るためにロジスティック回帰の波を理解するために何の再後に明らかになっていないとして、ウォームアップ前もってのモデル波にCRFとHMMながら、最初のグラフモデルを知って心配しないで行うことです、ありません。