标签：... frac log sum tilde cases 模型 最大

1.最大熵模型

终极目标
\(P(Y|X)\)
熵
\(H(P)=-\sum_{x}P(x)\log P(x)\)
将终极目标代入熵
\(H(P)=-\sum_{x}P(y|x)\log P(y|x)\)
做些改变,调整为条件熵
\(H(P)=H(y|x)=-\sum_{x}\tilde P(x)P(y|x)\log P(y|x)\)
\(\tilde P(x)代表经验分布,从训练集中统计出来的\)

2.约束条件

\(\tilde P(x)(X=x,Y=y)=\frac{v(X=x,Y=y)}{N}\)
\(\tilde P(x)(X=x)=\frac{v(X=x)}{N}\)
\(v(X=x,Y=y)表示统计训练集中满足 (X=x,Y=y) 的样本数量\)

3.特征函数

\(f(x,y)=\begin{cases} 1 , & X与y满足某一事实 0, & 其他 \end{cases}\)
\(特征函数f(x,y)关于经验分布\tilde P(x,y)的期望值\)
\(E_{\tilde p}(f)=\sum_{x,y}\tilde P(x,y)f(x,y)=\sum_{x,y}\tilde P(x) \tilde P(y|x)f(x,y)\)

4.优化方程

\(max_{P\in C}H(P)=-\sum_{x}\tilde P(x)P(y|x)\log P(y|x)\)
\(s.t.\ E_{\tilde p}(f_i)-E_{p}(f_i)=0,i=1,2,...,n\)
\(\sum_{y}P(y|x)=1\)

\(min_{P\in C}H(P)=-\sum_{x}\tilde P(x)\tilde P(y|x)\log P(y|x)\)
\(s.t.\ E_{\tilde p}(f_i)-E_{p}(f_i)=0,i=1,2,...,n\)
\(\sum_{y}P(y|x)=1\)

5.拉格朗日乘子法

标签：...,frac,log,sum,tilde,cases,模型,最大
来源： https://www.cnblogs.com/boyknight/p/15820836.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。