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，并且对特征函数有些困惑。一元(节点)和二元(边缘)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，如果所包含的条件为 true，则计算结果为 1，否则计算结果为 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，必须知道真实标签 (yc)。这对于训练来说是正确的，但对于测试阶段，真实的类标签是未知的(因为我们试图确定它们最可能的值)。

我错过了什么吗？如何正确实现？

Answer 1

CRF 的想法是为每个标签设置分配一个分数。因此，理论上，您要做的就是计算所有可能的标签分配的分数，然后哪个标签获得最大分数就是 CRF 预测/输出的内容。只有当 CRF 对不同的标签分配给出不同的分数时，这才有意义。当您这样想时，很明显标签必须参与到特征函数中才能发挥作用。

假设 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，当您获得新的数据样本时，测试期间的预测标签就是 argmax_y F(new_x, y)。也就是说，您找到使 F(new_x,y) 最大的 y 值，这就是预测的标签。