知识卡片
隐藏状态通过转移解释观测
HMM用状态链描述不可直接观察的标签,状态间转移并在每一位置发出观测。图中x是隐状态、y是观测;做词性标注时可把词性作状态、单词作观测。常见一阶模型只依赖前一状态,当前观测只依赖当前状态,这些是建模条件,不是自然语言必然满足的事实,也不是从单词直接读取真实标签。
结构图:
flowchart LR
X0[隐状态x0] --> X1[隐状态x1]
X1 --> X2[隐状态x2]
X0 --> Y0[观测y0]
X1 --> Y1[观测y1]
X2 --> Y2[观测y2]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
参考来源
- 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第2章 统计语言建模,spine056单元006;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00055.html。
- 结论依据:原文图139横向状态转移和纵向发射边支撑两类关系,词性例帮助理解但不把模型假设当语言定律。未在本机运行示例或改变环境。
- 原始内容:看关于HMM的图解说明,如图2-1所示,x表示隐藏状态,y表示观察状态。 图2-1 我们可以使用HMM估计执行测试,让我们考虑如下使用 Brown 语料库的代码: >>> import nltk >>> corpus =