Saya mengerti bahwa HMM (Hidden Markov Models) adalah model generatif, dan CRF adalah model diskriminatif. Saya juga mengerti bagaimana CRF (Conditional Random Fields) dirancang dan digunakan. Apa yang saya tidak mengerti adalah bagaimana mereka berbeda dari HMM? Saya membaca bahwa dalam kasus HMM, kita hanya dapat memodelkan keadaan kita berikutnya pada node sebelumnya, node saat ini, dan probabilitas transisi, tetapi dalam kasus CRF kita dapat melakukan ini dan dapat menghubungkan sejumlah node secara acak untuk membentuk dependensi atau konteks? Apakah saya benar di sini?
machine-learning
hidden-markov-model
natural-language
conditional-random-field
pengguna1343318
sumber
sumber
Jawaban:
Dari pengantar McCallum untuk CRF :
sumber
"Bidang Acak Bersyarat dapat dipahami sebagai ekstensi berurutan ke Model Entropi Maksimum". Kalimat ini dari laporan teknis yang terkait dengan "Model Probabilitas Klasik dan Bidang Acak Bersyarat".
Ini mungkin merupakan bacaan terbaik untuk topik-topik seperti HMM, CRF dan Maximum Entropy.
PS: Gambar 1 dalam tautan memberikan perbandingan yang sangat baik di antara mereka.
Salam,
sumber
Sebagai catatan: Saya dengan hormat meminta Anda untuk mempertahankan daftar ini (tidak lengkap) sehingga pengguna yang tertarik memiliki sumber daya yang mudah diakses. Status quo masih mengharuskan individu untuk menyelidiki banyak makalah dan / atau laporan teknis yang panjang untuk menemukan jawaban yang terkait dengan CRF dan HMM.
Selain yang lain, jawaban yang sudah bagus, saya ingin menunjukkan fitur khas yang saya temukan paling penting:
[1] Sutton, Charles; McCallum, Andrew (2010), "Pengantar Bidang Acak Bersyarat"
sumber