Machine learning 条件随机场特征函数

我一直在读一些关于CRF的文章，对功能有些困惑。一元（节点）和二元（边）特征f通常为

f（yc，xc）=1{yc=ỹc}fg（xc）

其中{.}是指标函数，如果包含的条件为真，则计算为1，否则为0。fg是数据xc的一个函数，它从数据中提取有用的属性（特征）

现在在我看来，要创建CRF功能，必须知道真正的标签（yc）。这对于培训是正确的，但是对于测试阶段，真正的类标签是未知的（因为我们正试图确定它们最可能的值）

---

我错过什么了吗？如何正确实施这一点？

CRF的想法是，它为标签的每个设置分配一个分数。因此，从概念上讲，你要做的是计算所有可能标签分配的分数，然后无论哪个标签获得最大分数，都是CRF预测/输出的值。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，标签必须包含在功能函数中，才能正常工作

---

假设你的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，当您获得一个新的数据样本时，测试期间的预测标签就是argmax_y F（new_x，y）。也就是说，你找到了使F（new_x，y）最大的y值，这就是预测的标签。

我明白你的意思。所以对于参数估计来说是有意义的。一旦您知道CRF模型参数，并且您想要预测一个测试示例，那么它是如何工作的呢？由于测试示例的标签是未知的，因此您可以直接预测得分最高的y值。因此，您必须编写一些代码，隐式或显式地计算所有可能的y值的分数，然后返回得分最大的值。这是测试时的预测。