机器学习第14章（概率图模型）

                                                概率图模型

14.1 隐马尔科夫模型

机器学习最重要的任务：根据一些已观察到的证据（例如训练样本）来对感兴趣的未知变量（例如类别标记）进行估计和预测。

probabilistic model概率模型将学习任务归结于计算变量的概率分布，在概率模型中，利用已知变量推测未知变量的分布称为“推断（inference）”，其核心是如何基于可观测变量推测出未知变量的条件分布。

probabilistic graphical model是一类用图来表达变量相关关系的概率模型。图上的每个结点表示一个或一组随机变量，结点之间的边表示变量间的概率相关关系，即“变量关系图”。根据边的性质不同，probabilistic graphical model可分为两类：1.有向无环图，或称为有向图模型或贝叶斯网（bayesian network）；2.无向图，又称为无向图模型或马尔科夫网（markov network）。

Hidden Markov Model  隐马尔科夫模型是结构最简单的动态bayesian network。

Markov Chain：系统下一时刻的状态仅由当前状态决定，不依赖于以往的任何状态。

14.2 马尔科夫随机场

Markov Random Field，MRF  马尔科夫随机场是典型的马尔科夫网。markov random field有一组势函数protential functions，亦称因子factor。

局部马尔科夫性（local markov property）：给定某变量的邻接变量，则该变量条件独立于其他变量。

成对马尔科夫性（pairwise markov property）：给定所有其他变量，两个非邻接变量条件独立。

14.3 条件随机场

Conditional Random Field，CRF是一种判别式无向图模型，是对条件分布进行建模。

条件随机场试图对多个变量在给定观测值后的条件概率进行建模。

14.4 学习与推断

概率图模型的推断方法大致有两类：1类是精确推断方法，希望能计算出目标变量的边际分布或条件分布的精确值；2类是近似推断方法，希望在较低时间复杂度下获得原问题的近似解。

14.5 近似推断

近似推断方法大致可分为两类，一类是sampling，通过使用随机化方法完成近似；一类是使用确定性近似完成近似推断，典型代表为变分推断（variational inference）。

概率图模型最常用的采样技术就是马尔科夫链蒙特卡洛方法（MCMC）。

变分推断通过使用已知简单分布来逼近需推断的复杂分布，并通过限制近似分布的类型，从而得到一种局部最优、但具有确定解的近似后验分布。

14.6 话题模型

topic model是一族生成式有向图模型，主要用于处理离散型的数据（如文本集合）。