machine-learning - 条件随机场特征函数

Question

我一直在阅读一些关于 CRF 的论文，对特征函数有点困惑。一元（节点）和二元（边）特征 f 通常具有以下形式

f(yc, xc) = 1{yc=y ̃c}fg(xc)。

其中 {.} 是指示函数，如果包含的条件为真，则为 1，否则为 0。fg 是数据 xc 的函数，它从数据中提取有用的属性（特征）。

现在在我看来，要创建 CRF 特征，必须知道真正的标签 (yc)。这对于训练是正确的，但对于测试阶段，真正的类标签是未知的（因为我们试图确定它们最可能的值）。

我错过了什么吗？如何正确实施？

Answer 1

CRF 的想法是它为标签的每个设置分配一个分数。因此，理论上，您所做的是计算所有可能的标签分配的分数，然后无论哪个标签获得最大分数，都是 CRF 预测/输出的结果。这只有在 CRF 对不同的标签分配给出不同的分数时才有意义。当你这样想的时候，很明显标签必须参与到特征函数中才能工作。

因此，假设您的 CRF 的对数概率函数是 F(x,y)。因此，它为数据样本 x 和标签 y 的每个组合分配一个数字。因此，当您获得新数据样本时，测试期间的预测标签只是 argmax_y F(new_x, y)。也就是说，您会找到使 F(new_x,y) 最大的 y 值，这就是预测的标签。