位置: IT常识 - 正文

学习笔记:统计建模方法的比较分析(统计 α)

编辑:rootadmin
学习笔记:统计建模方法的比较分析 前言

推荐整理分享学习笔记:统计建模方法的比较分析(统计 α),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:统计烦吗,统计itt,统计tli,统计 ci,统计 ci,【统计 】,统计 α,统计 α,内容如对您有帮助,希望把文章链接给更多的朋友!

本文介绍了隐马尔可夫模型 (HMM)、最大熵马尔可夫模型 (MEMM) 和条件随机场 (CRF) 的比较分析。 HMM、MEMM 和 CRF 是三种流行的统计建模方法,通常应用于模式识别和机器学习问题。 让我们更详细地探讨每种方法。

一、隐马尔可夫模型 (HMM)

“隐藏”一词象征着只有系统发布的符号是可观察的,而用户无法查看状态之间的底层随机游走。 该领域的许多人将 HMM 视为有限状态机。

HMM的优势

HMM 具有强大的统计基础和高效的学习算法,可以直接从原始序列数据中进行学习。 它允许以本地可学习方法的形式一致地处理插入和删除惩罚,并且可以处理可变长度的输入。 它们是序列概况最灵活的概括。 它还可以执行多种操作,包括多重对齐、数据挖掘和分类、结构分析和模式发现。 它也很容易组合到库中。

HMM 的缺点

HMM 仅依赖于每个状态及其对应的观察对象:

序列标注,除了与单个词有关系外,还与观察到的序列长度、词上下文等方面有关。

目标函数和预测的目标函数不匹配:HMM得到的是状态和观测序列的联合分布P(Y, X),而在估计问题上,我们需要一个条件概率P(Y|X)。

二、最大熵马尔可夫模型 (MEMM)

MEMM 考虑了相邻状态和整个观察序列之间的依赖关系,因此具有更好的表达能力。 MEMM不考虑P(X),减少建模工作量,学习目标函数与估计函数的一致性。

MEMM 标签偏差

在上图 中,状态 1 倾向于转换为状态 2,同时状态 2 倾向于停留在状态 2。

P(1-> 1-> 1-> 1)= 0.4 x 0.45 x 0.5 = 0.09, P(2->2->2->2)= 0.2 x 0.3 x 0.3 = 0.018,

P(1->2->1->2)= 0.6 x 0.2x 0.5 = 0.06,P(1->1->2->2)= 0.4 x 0.55 x 0.3 = 0.066。

然而,最佳状态转换路径是 1 > 1 > 1 > 1。 为什么?

这是因为 State 2 的可转换状态比 State 1 多,从而降低了转换概率——MEMM 倾向于选择可转换状态较少的状态。 这种选择被称为标签偏差问题。 CRF 很好地解决了标签偏差问题。

三、条件随机场(CRF 模型)

CRF 模型解决了标注偏差问题,消除了 HMM 中两个不合理的假设。 当然,模型也变得更复杂了。MEMM采用局部方差归一化,CRF采用全局方差归一化。另一方面,MEMM 无法找到满足以下分布的相应参数,但是 CRF 可以:

1.生成模型或判别模型学习笔记:统计建模方法的比较分析(统计 α)

假设 o 是观测值,m 是模型。

a) 生成模型:无限样本>概率密度模型=生成模型>预测

如果你对 P(o|m) 建模,它就是一个生成模型。 其基本思想是,首先建立样本的概率密度模型,然后利用该模型进行推理预测。 样本无限大或尽可能大的要求是常识。 该方法借鉴了统计力学和贝叶斯理论。

HMM直接对转移概率和表型概率进行建模,计算共现概率。 因此,它是一个生成模型。

b) 判别模型:有限样本>判别函数=判别模型>预测

如果你在条件概率 P(m|o) 上建模,它就是判别模型。 其基本思想是以有限样本建立判别函数,不考虑样本的生成模型,直接研究预测模型。 其代表理论是统计学习理论。

CRF是一种判别模型。 MEMM 不是生成模型,而是基于状态分类的具有有限状态的模型。

2.拓扑结构

HMM和MEMM是有向图,而CRF是无向图。

3.全局最优或局部最优

HMM直接对转移概率和表型概率进行建模,计算共现概率。

MEMM 基于转移概率和表型概率建立共现概率。 它计算条件概率,只采用局部方差归一化,容易陷入局部最优。

CRF 在全局范围内计算归一化概率,而不是像 MEMM 那样在局部范围内计算。 它是一个最优的全局解决方案,解决了 MEMM 中的标签偏差问题。

4.CRF的优点和缺点

(1)优点

与HMM相比:由于CRF没有HMM那样严格的独立性假设,它可以容纳任何上下文信息。 其功能设计灵活(与ME相同)。

与MEMM相比:由于CRF计算的是全局最优输出节点的条件概率,因此克服了MEMM中label bias的弊端。

与ME相比:CRF计算的是在有待标记的观察序列时,整个标记序列的联合概率分布,而不是定义给定当前状态条件下下一个状态的状态分布。

(2)缺点

CRF 在算法的训练阶段具有高度的计算复杂性。 当更新的数据可用时,很难重新训练模型。

结论

这篇博客详细介绍了隐马尔可夫模型 (HMM)、最大熵马尔可夫模型 (MEMM) 和条件随机场 (CRF) 之间的比较分析。 在这篇文章中,我们明确了解到 CRF 和 MEMMS 主要是判别序列模型,而 HMM 主要是生成序列模型。 贝叶斯规则构成了 HMM 的基础。 相反,CRF 和 MEMM 基于过渡和可观察特征的 MaxEnt 模型。

本文链接地址:https://www.jiuchutong.com/zhishi/297679.html 转载请保留说明!

上一篇:【JavaScript】手撕前端面试题:对象参数浅拷贝 | 简易深拷贝 | 完整深拷贝(javascript手机版)

下一篇:【Python】ttkbootstrap的介绍与使用(/t python)

  • 一般纳税人开普票税率是3%还是13%
  • 餐饮发票不是增值发票吗
  • 关税的征收对象是贸易性商品,不包括
  • 自来水厂会污染水源吗
  • 公司会计日常工作内容
  • 小规模纳税人专票税率是多少
  • 挂牌出售无形资产
  • 哪些会计科目需要结转
  • 新公司成立后需要办理导航业务吗
  • 股息红利纳税地点
  • 房租发票上税的分录怎么写?
  • 公司转投资的额度
  • 咨询服务费要交税吗
  • 稽查查补税款
  • 服务行业营业成本包括财务费用和管理费用吗
  • 现房销售需要哪些手续
  • 营改增后建筑业税率变化情况
  • 稳岗补贴需要缴税吗
  • 预付款税率是多少
  • 购入固定资产税费怎么算
  • 发票丢失可以抵扣吗
  • 加速折旧法主要包括哪些内容
  • 政府奖励如何记账
  • 预收款项确认主营业务收入谨慎性
  • tplink无线网卡驱动802.11n
  • linux如何用root用户登录
  • 上年预收账款算不算本年收入
  • win7系统里没有无线网络连接
  • 临时 文件夹
  • 经营租出的设备要计提折旧吗
  • 现金流量表相关题目
  • php和mysql的联合使用
  • framework教程
  • 深度学习大模型框架的简单介绍(ChatGPT背后原理的基本介绍)
  • 快速傅里叶变换matlab
  • phpexcel导入
  • php curl_init
  • 同事写了一个责任链模式,bug 无数...
  • 银行存款利息应记什么科目
  • 暂估入库结转成本税务规定
  • 现金流量表哪些数据和资产负债表一致
  • php二次开发哪个cms
  • 支付个人赔偿款要交税吗
  • 家庭保洁服务包括什么
  • sqlserver FOR XML PATH 语句的应用
  • 资产减值损失会计科目编码
  • 安家费有税吗
  • 外币账户的钱怎么转成人民币
  • 已抵扣的进项税额如何转出
  • 一般纳税人外地预缴税款怎么做分录
  • 企业购买黄金该交什么税
  • 装饰公司收到的礼品
  • 养老保险滞纳金计算器
  • 会展费会计分录
  • 免税收入包括哪些项目
  • 采购费用属于什么会计分录
  • 年初资产总额怎么算
  • 商品流通企业的含义与特点
  • mysql有哪些数据类型,有哪些运算符
  • Mysql 5.7.19 winx64 ZIP Archive 安装及使用过程问题小结
  • sql server 2008教程
  • Vista下WMC不能播放RMVB解决办法
  • 繁体系统安装简体软件
  • xp系统电脑开机密码忘记了
  • win8.1设备管理器设置步骤
  • vmstat命令
  • windows102021年更新
  • opware12.exe - opware12进程是什么文件 有什么用
  • linux服务器常用操作命令
  • win8无法安装inter显卡驱动
  • linux更新配置
  • jquery prototype
  • js array数组
  • js中的filter方法
  • javascript操作dom对象
  • nodejs ejs
  • 怎么查询工程师名下的项目
  • 国家税务总局核定的该车最低计税价格
  • 北京昌平区租房价格
  • 车辆购置税申报车辆登记地怎么填
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设