Task04條件隨機場

條件隨機場

條件隨機場是一種判別式無向圖模型。條件隨機場試圖對多個變數在給定觀測值後的條件概率進行建模。

給定x =(

x1,x

2,…,

xn),

y=(y

1,y2

,…,y

x=(x_1,x_2,\dots,x_n),y=(y_1,y_2,\dots,y_n)

x=(x1

,x2

,…,x

n),

y=(y

1,y

2,…

,yn

)均為線性鏈表示的隨機變數序列，若在給隨機變數序列 x

xx 的條件下，隨機變數序列 y

yy 的條件概率分布p(y

∣x

)p(y|x)

p(y∣x)

構成條件隨機場，即滿足馬爾可夫性

katex parse error: undefined control sequence: \x at position 21: …|x_1,x_2,\dots,\̲x̲_,y_1,y_2,…

import numpy as np
class
crf(
object):
'''實現條件隨機場**問題的維特比演算法
'''def__init__
(self, v, vw, e, ew)
:'''
:param v:是定義在節點上的特徵函式，稱為狀態特徵
:param vw:是v對應的權值
:param e:是定義在邊上的特徵函式，稱為轉移特徵
:param ew:是e對應的權值
'''self.v  = v  #點分布表
self.vw = vw #點權值表
self.e  = e  #邊分布表
self.ew = ew #邊權值表
self.d  =
#delta表，最大非規範化概率的區域性狀態路徑概率
self.p  =
#psi表，當前狀態和最優前導狀態的索引表s
self.bp =
#bestpath，最優路徑
return
defviterbi
(self)
:'''
條件隨機場**問題的維特比演算法，此演算法一定要結合crf引數化形式對應的狀態路徑圖來理解，更容易理解.
'''self.d = np.full(shape=
(np.shape(self.v)
), fill_value=.0)
self.p = np.full(shape=
(np.shape(self.v)
), fill_value=.0)
for i in
range
(np.shape(self.v)[0
]):#初始化if0
== i:
self.d[i]
= np.multiply(self.v[i]
, self.vw[i]
)                self.p[i]
= np.array([0
,0])
print
('self.v[%d]='
%i, self.v[i]
,'self.vw[%d]='
%i, self.vw[i]
,'self.d[%d]='
%i, self.d[i]
)print
('self.p:'
, self.p)
pass
#遞推求解布局最優狀態路徑
else
:for y in
range
(np.shape(self.v)[1
]):#delta[i][y=1,2...]
for l in
range
(np.shape(self.v)[1
]):#v[i-1][l=1,2...]
delta =
0.0                        delta += self.d[i-
1, l]
#前導狀態的最優狀態路徑的概率
delta += self.e[i-1]
[l,y]
*self.ew[i-1]
[l,y]
#前導狀態到當前狀體的轉移概率
delta += self.v[i,y]
*self.vw[i,y]
#當前狀態的概率
print
('(x%d,y=%d)-->(x%d,y=%d):%.2f + %.2f + %.2f='
%(i-
1, l, i, y, \
self.d[i-
1, l]
, \                              self.e[i-1]
[l,y]
*self.ew[i-1]
[l,y]
, \                              self.v[i,y]
*self.vw[i,y]
), delta)if0
== l or delta > self.d[i, y]
:                            self.d[i, y]
= delta
self.p[i, y]
= l                    print
('self.d[x%d,y=%d]=%.2f\n'
%(i, y, self.d[i,y]))
print
('self.delta:\n'
, self.d)
print
('self.psi:\n'
, self.p)
#返回，得到所有的最優前導狀態
n = np.shape(self.v)[0
]        self.bp = np.full(shape=
(n,)
, fill_value=
0.0)
t_range =-1
* np.array(
sorted(-
1*np.arange(n)))
for t in t_range:
if n-
1== t:
#得到最優狀態
self.bp[t]
= np.argmax(self.d[-1
])else
:#得到最優前導狀態
self.bp[t]
= self.p[t+1,
int(self.bp[t+1]
)]#最優狀態路徑表現在儲存的是狀態的下標，我們執行儲存值+1轉換成示例中的狀態值
#也可以不用轉換，只要你能理解，self.bp中儲存的0是狀態1就可以~~~~
self.bp +=
1print
('最優狀態路徑為：'
, self.bp)
return self.bp
defcrf_manual()
:   
s = np.array([[
1,1]
,#x1:s(y1=1), s(y1=2)[1
,1],
#x2:s(y2=1), s(y2=2)[1
,1]]
)#x3:s(y3=1), s(y3=1)
sw = np.array([[
1.0,
0.5]
,#x1:sw(y1=1), sw(y1=2)
[0.8
,0.5],
#x2:sw(y2=1), sw(y2=2)
[0.8
,0.5]]
)#x3:sw(y3=1), sw(y3=1)
e = np.array([[
[1,1
],#edge:y1=1--->(y2=1, y2=2)[1
,0]]
,#edge:y1=2--->(y2=1, y2=2)[[
0,1]
,#edge:y2=1--->(y3=1, y3=2) [1
,1]]
])#edge:y2=2--->(y3=1, y3=2)
ew= np.array([[
[0.6,1
],#edgew:y1=1--->(y2=1, y2=2)[1
,0.0]]
,#edgew:y1=2--->(y2=1, y2=2)[[
0.0,1]
,#edgew:y2=1--->(y3=1, y3=2)[1
,0.2]]
])#edgew:y2=2--->(y3=1, y3=2)
crf = crf(s, sw, e, ew)
ret = crf.viterbi(
)print
('最優狀態路徑為:'
, ret)
return
if __name__==
'__main__'
:    crf_manual(
)

Task04 條件隨機場

理解條件隨機場最好的辦法就是用乙個現實的例子來說明它。但是目前中文的條件隨機場文章鮮有這樣幹的，可能寫文章的人都是大牛，不屑於舉例子吧。於是乎，我翻譯了這篇文章。希望對其他夥伴有所幫助。原文在這裡想直接看英文的朋友可以直接點進去了。我在翻譯時並沒有拘泥於原文，許多地方都加入了自己的理解，用學術點的...

機器學習演算法 Task04條件隨機場（CRF）

最近看了一些有關於crf的基本概念懂，但是到求解的部分有些疑惑。crf問題容易構成np hard問題，求解過程還需要再學習。下面稍微介紹一些crf的學習吧，這裡前面crf內容主要參考了下面博文，講的非常好條件隨機場 conditional random fields 是一種判別式圖模型，因為其強...

ML Day4 條件隨機場

1.馬爾科夫過程假設乙個隨機過程中，時刻的狀態的條件發布，只與其前一狀態 1相關 2.隱馬爾科夫演算法隱馬爾科夫演算法是對含有未知引數隱狀態的馬爾可夫鏈進行建模的生成模型，在隱馬爾科夫模型中，包含隱狀態和觀察狀態，隱狀態對於觀察者而言是不可見的，而觀察狀態對於觀察者而言是可見的。隱...

Task04條件隨機場

Task04 條件隨機場

機器學習演算法 Task04條件隨機場（CRF）

ML Day4 條件隨機場

相關推薦