整理自：

https://blog.csdn.net/woaidapaopao/article/details/77806273?locationnum=9&fps=1

• HMM
• CRF
• HMM和CRF對比

---

1.HMM算法

　　隱馬爾可夫模型是用于標注問題的生成模型。有幾個參數（ππ，A，B）：初始狀態概率向量ππ，狀態轉移矩陣A，觀測概率矩陣B。稱為馬爾科夫模型的三要素。 
馬爾科夫三個基本問題：

• 概率計算問題：給定模型和觀測序列，計算模型下觀測序列輸出的概率。–》前向后向算法
• 學習問題：已知觀測序列，估計模型參數，即用極大似然估計來估計參數。–》Baum-Welch(也就是EM算法)和極大似然估計。
• 預測問題：已知模型和觀測序列，求解對應的狀態序列。–》近似算法（貪心算法）和維比特算法（動態規劃求最優路徑）

---

2.條件隨機場CRF

　　給定一組輸入隨機變量的條件下另一組輸出隨機變量的條件概率分布密度。條件隨機場假設輸出變量構成馬爾科夫隨機場，而我們平時看到的大多是線性鏈條隨機場，也就是由輸入對輸出進行預測的判別模型。求解方法為極大似然估計或正則化的極大似然估計。 
　　之所以總把HMM和CRF進行比較，主要是因為CRF和HMM都利用了圖的知識，但是CRF利用的是馬爾科夫隨機場（無向圖），而HMM的基礎是貝葉斯網絡（有向圖）。而且CRF也有：概率計算問題、學習問題和預測問題。大致計算方法和HMM類似，只不過不需要EM算法進行學習問題。

---

3.HMM和CRF對比 

　　其根本還是在于基本的理念不同，一個是生成模型，一個是判別模型，這也就導致了求解方式的不同。

總結

以上是生活随笔為你收集整理的机器学习——HMM & CRF的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。