HMM与CRF
隐马尔可夫
原理
代码实现
条件随机场
原理
条件随机场是从概率无向图（马尔可夫随机场）扩展得到的，概率无向图的联合概率分布$P(Y)$可由概率图中所有的最大团$C$上的势函数$\Psi_{C}(Y_{C})$的乘积形式表示，$Y_{C}$是$C$对应的随机变量，即
$$P(Y)=\frac{1}{Z} \prod_{C} \Psi_{C}(Y_{C})$$
其中$Z$是规范化因子，保证$P(Y)$是一个概率分布。函数$\Psi_{C}(Y_{C})$要保证是严格正的，且通常为定义为指数函数。
$$\Psi_{C}(Y_{C})=exp\left( -E(Y_{C}) \right)$$
条件随机场是给定随机变量$X$条件下，随机变量$Y$的马尔可夫随机场，这里介绍的是定义在线性链上的条件随机场，在标注问题中，$X$表示输入的观测序列，$Y$表示对应的输出标记序列或状态序列，如下图。
条件随机场的条件概率模型如下：
$$P(y|x)=\frac{1}{Z(x)}exp \left( \sum_{i,k} \lambda_{k}t_{k}(y_{i-1},y_{i},x,i) + \sum_{i,l}\mu_{l}s_{l}(y_{i},x,i) \right)$$
$t_{k}$是定义在边上的特征函数， 称为转移特征特征，依赖于当前位置和前一个位置，$s_{l}$是定义在结点上的特征函数，称为状态特征，依赖于当前位置。通常，特征函数$t_{k}$和$s_{l}$取值为1或0，$ \lambda_{k}$和$\mu_{l}$是特征函数对应的权值。
条件随机场实际上是定义在时序数据上的对数线性模型
代码实现
面试问题
隐马三个基本问题：
（1）概率计算问题
给定模型和观测序列，求解在模型$\lambda$的条件下出现观测序列$O$的概率$P(O|\lambda)$。换言之，如何评估模型与观测序列之间的匹配度？
（2）学习问题
给定观测序列$O=(o_{1},o_{2},...,o_{T})$，估计模型参数$\lambda=(A,B,\pi)$，使得$P(O|\lambda)$最大。换言之，如何训练模型使其能最好地描述观测数据。
（3）预测问题
也称为解码问题。已知模型$\lambda$和观测序列$O$，求解最可能的状态序列$I=(i_{1},i_{2},...i_{T})$。换言之，如何根据观测序列来推测隐藏的状态序列。
解决三个问题的基本算法：
（1）前向后向算法
（2）Baum-Welch算法（EM）
（3）维特比算法
HMM、CRF与LR的关系
（1）CRF与LR都是对数线性模型，条件随机场是逻辑回归的序列化版本。逻辑回归是用于分类的对数线性模型，条件随机场是用于序列化标注的对数线性模型。
（2）HMM是生成式模型，LR与CRF是判别式模型
（3）HMM也可以做序列标注任务。每一个HMM模型都可以用CRF模型表示，但CRF可以定义数量更多，种类更丰富的特征函数，还可以对特征函数使用任意的权重。CRF比HMM要强大。
来源：https://www.cnblogs.com/4PrivetDrive/p/12141639.html