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)

  • 交所得税用计提吗
  • 城市维护建设税优惠政策
  • 以前多计提的税款怎么办
  • 研发费用加计扣除是什么意思啊
  • 城镇土地使用税的征税范围
  • 土地使用税是新增税吗
  • 单位全额承担社保相当于领生活费了吗
  • 城镇土地使用税的计税依据
  • 营改增利息收入不能抵扣
  • 中介公司报税怎么操作
  • 非本公司员工如何申报个税
  • 企业税金包括
  • 变更注册资本的股东会决议范本
  • 城投公司代表政府出资工程交税吗
  • 买的厨房用品算什么费用
  • 工程在建期间土地的摊销如何处理
  • 增值税普通电子发票
  • 自建公司什么意思
  • 小微企业所得税税率2.5% 10% 25%
  • 几年前的美元现在值钱吗
  • 环保税计算方法和税率1.2
  • 发票经手人和经办人的区别
  • 企业购买理财产品的会计分录
  • 营销策划费用计算公式
  • bios术语
  • 银行承兑汇票有纸质的吗
  • wp网站迁移
  • php可以连接access吗
  • 判断企业存货过多的判断方法
  • 补充养老保险费扣除限额
  • php读取txt文件内容
  • php curl_exec
  • php页面跳转实现什么功能
  • 交易性金融资产属于流动资产
  • 退回的工伤保险会计分录
  • bug的定位和跟踪
  • 所有者权益是什么类科目
  • java基础变量字节
  • 出口收汇手续费做什么科目
  • 外省人员收入怎么查
  • mysql各种索引的使用场景
  • 房地产企业将开发产品用于职工福利
  • 有形动产租赁属于现代服务业吗
  • sql自定义
  • 劳务发票进什么科目
  • 计提减值准备是利空吗
  • 兼职收入用缴纳增值税吗
  • 工会经费的开支包括哪些
  • 税后利润分配还要交税
  • 应交税费其他收入会计分录
  • 一个企业只有收入怎么办
  • 开服务业发票要交印花税吗?
  • 汇算清缴交通费填在办公费里面吗
  • 利息收入为什么冲减财务费用
  • 期末留抵税额可以退税吗
  • 纳税筹划有哪些特点以及原则?
  • 车属于固定资产嘛
  • win8系统忘记电脑开机密码怎么办
  • ubuntu 20.04.1 lts
  • linux系统软件包安装
  • windows defender 图标怎么从任务栏删除
  • win8.1使用教程
  • lsass.exe在哪个文件夹
  • url是什么文件怎么打开
  • win7穿越火线一进去就蓝屏
  • 防火墙ddos攻击防范
  • cocos怎么用
  • node.js可以写接口吗
  • myeclipse创建
  • easyui combotree加载静态数据问题(选不上)解决方法
  • python图片处理酷炫效果
  • PHP+jquery+ajax实现分页
  • python twinter
  • js selectionchange
  • Javascript Global对象
  • android怎么学
  • jquery编写页面载入事件
  • 河南省国家税务局通用定额发票
  • 税务征管科与纳税人有接触吗
  • 有限公司怎么交五险
  • 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