知识卡片
指数打分通过配分函数归一
最大熵条件模型为P(y|x)=exp(Σλᵢfᵢ(x,y))/Z(x),Z对固定x下的所有标签分数求和。Z在这里是归一化配分函数,不是惩罚复杂度的正则项;推导需对每个x保证概率和为1,不能遗漏输入条件。
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
- · 查看原书依据
因此得到: (4.5.11) Z (x )是正则化因子。 4.5.5 对偶问题的极大似然估计 现在要求解最优值γ * 和 Λ * 。显然,已经知道了γ * ,还不知道 Λ *
参考来源
- 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第04章《NLP中的概率图模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00009.html)
- 结论依据:摘录中关于指数打分通过配分函数归一的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:因此得到: (4.5.11) Z (x )是正则化因子。 4.5.5 对偶问题的极大似然估计 现在要求解最优值γ * 和 Λ * 。显然,已经知道了γ * ,还不知道 Λ *