Machine learning 需要澄清条件随机场、概念和术语:马尔可夫顺序、转移、连通性

Machine learning 需要澄清条件随机场、概念和术语:马尔可夫顺序、转移、连通性,machine-learning,mallet,crf,Machine Learning,Mallet,Crf,我使用Mallet来使用条件随机场。根据我的理解,CRF有几种马尔可夫顺序,这取决于节点的连接方式。在图中,是从顶部开始的四分之三订单、第一订单和第二订单 概念检查:我基本上对“马尔可夫顺序”、“连通性”和“过渡”这两个术语感到困惑,因为它们似乎都是指同一个概念。我相信一个节点可以转换到另一个节点,如果有一条边连接它们。是这样还是我遗漏了什么 顺序参数在Mallet中,我可以设置我想要使用的markov顺序的参数,我认为需要1,2,0.75。。。但它需要两个参数,它们被解释为“主要和退避顺序”。

我使用Mallet来使用条件随机场。根据我的理解,CRF有几种马尔可夫顺序,这取决于节点的连接方式。在图中,是从顶部开始的四分之三订单、第一订单和第二订单

  • 概念检查:我基本上对“马尔可夫顺序”、“连通性”和“过渡”这两个术语感到困惑,因为它们似乎都是指同一个概念。我相信一个节点可以转换到另一个节点,如果有一条边连接它们。是这样还是我遗漏了什么

  • 顺序参数在Mallet中,我可以设置我想要使用的markov顺序的参数,我认为需要1,2,0.75。。。但它需要两个参数,它们被解释为“主要和退避顺序”。这是什么意思

  • 我的任务类似于顺序标记,这就是我尝试使用CRF的原因。我正在执行的分类任务与前一个节点的分类结果高度相关。当我使用支持向量机完成这项任务时,我加入了“前一个节点标签”特征并进行了两阶段学习,首先使用“前一个节点标签”的真实数据训练支持向量机,然后使用第一个分类器的预测结果训练另一个模型。但在CRF中,如果我使用第二个顺序,其中包括前一个节点的标签,这种学习或使用这种特性是没有必要的吗?我希望我能解释清楚