我一直在阅读一些有关CRF的论文，并对功能功能有些困惑。一元（节点）和二元（边缘）特征f通常采用以下形式
f（yc，xc）= 1 {yc = y ̃c} fg（xc）。
其中{。}是指示符函数，如果包含的条件为true，则计算为1，否则为0。 fg是数据xc的函数，该函数从数据中提取有用的属性（特征）。
现在看来，要创建CRF功能，必须知道真实的标签（yc）。对于训练而言，这是正确的，但在测试阶段，真实的类标签是未知的（因为我们正在尝试确定它们最可能的值）。
我想念什么吗？如何正确实施？
最佳答案
CRF的想法是，它为标签的每个设置分配一个分数。因此，从概念上讲，您要做的是计算所有可能的标签分配的分数，然后哪个标签获得的最高分数就是CRF的预测/输出。仅当CRF为不同的标签分配提供不同的分数时，这才有意义。以这种方式考虑时，很明显标签必须包含在功能中才能起作用。
因此，可以说您的CRF的对数概率函数为F（x，y）。因此，它为数据样本x和标签y的每种组合分配一个数字。因此，当您获得新的数据样本时，测试期间的预测标签仅为argmax_y F（new_x，y）。也就是说，您找到使F（new_x，y）最大的y值，这就是预测的标签。