Machine learning 训练序列长度为1的条件随机场是Maxent模型吗？

我正在尝试执行一个分类过程，其中我的培训数据如下所示：

状态，特征1，特征2，特征3，…，特征n

因此，给定一组特性，我需要预测这些特性最可能对应的状态/标签/类

我为快速制作CRF建立了一个很好的模型，但是CRF真的适合这种学习吗？我过去对状态序列使用CRF，也就是说$n$state的标签也可能取决于之前$n-1$states的标签/特征。例如，这里有一个训练序列，我用来预测一个孩子的语音输出，给定成人的IPA转录：

e   Adult=e __BOS__
i   Adult=-
d   Adult=d
r   Adult=-
i   Adult=i
ə   Adult=-
n   Adult=- __EOS__

CRF对于这些数据是有意义的，因为音位学/语音学是非常规则的。选择什么声音对未来的声音选择有很大影响，例如，一个元音后面可能跟一个辅音，而不是另一个元音

我相信大家都知道CRF实际上只是Maxent模型的一种序列形式。所以，如果我所有的训练序列长度都是$1$，我基本上会有一个叫做CRF的Maxent模型吗

---

这个问题是使用CRF进行命名实体识别来解决的，但我猜它使用的是状态序列？

出于这个目的，我认为最简单的CRF，即逻辑回归-判别分类器可以完成这项工作。您的需求与命名实体不同，因为没有状态链或观察链。它是简单的一种状态和有限的功能。我认为逻辑回归和之后的偏差/方差权衡是可行的