統(tǒng)計(jì)自然語言處理-第二章-預(yù)備知識

第二章預(yù)備知識統(tǒng)計(jì)自然語言處理CompanyLogo第二章預(yù)備知識概率論基本概念1信息論基本概念2支持向量機(jī)3CompanyLogo2.1概率論基本概念2.1.1概率2.1.2最大似然估計(jì)2.1.3條件概率2.1.4貝葉斯法則2.1.5隨機(jī)變量2.1.6二項(xiàng)式分布2.1.7聯(lián)合概率分布和條件概率分布2.1.8貝葉斯決策理論2.1.9期望和方差CompanyLogo2.1.1概率CompanyLogo2.1.2最大似然估計(jì)

2.1.2最大似然估計(jì)CompanyLogo2.1.3條件概率CompanyLogo2.1.3條件概率CompanyLogo2.1.3條件概率由上公式可得稱為概率的乘法定理或乘法規(guī)則。其一般形式表示為這一規(guī)則在自然語言處理中使用得非常普遍。CompanyLogo2.1.3條件概率條件概率的三個(gè)基本性質(zhì)：（1）非負(fù)性（2）規(guī)范性（3）可列可加性如果事件兩兩互不相容，則CompanyLogo2.1.4貝葉斯法則CompanyLogo2.1.4貝葉斯法則當(dāng)n=1時(shí)CompanyLogo2.1.4貝葉斯法則注：(arg

max{X}表示使得X最大的參數(shù))CompanyLogo2.1.4貝葉斯法則CompanyLogo2.1.4貝葉斯法則2.1.5隨機(jī)變量隨機(jī)變量（randomvariable）

一個(gè)隨機(jī)試驗(yàn)可能有多種不同的的結(jié)果，到底會出現(xiàn)哪一種，存在一定的概率，即隨機(jī)會而定。簡單地說，隨機(jī)變量就是試驗(yàn)結(jié)果的函數(shù)。設(shè)X為一離散型隨機(jī)變量，其全部可能的值為。那么，稱為X的概率函數(shù)。顯然，，有時(shí)也稱為隨機(jī)變量X的概率分布，此時(shí)，函數(shù)，稱為X的分布函數(shù)。CompanyLogo2.1.6二項(xiàng)式分布CompanyLogo2.1.6二項(xiàng)式分布CompanyLogo2.1.6二項(xiàng)式分布2.1.7聯(lián)合概率分布和條件概率分布聯(lián)合概率分布（jointdistribution）

假設(shè)為一個(gè)二維的離散型隨機(jī)變量，全部可能的取值為；全部可能的取值為那么，的聯(lián)合概率分布為條件概率分布

一個(gè)隨機(jī)變量或向量X的條件概率分布就是在某種給定的條件之下X的概率分布?？紤]在給定條件下的概率分布，實(shí)際是求條件概率根據(jù)條件概率的定義可得

2.17聯(lián)合概率分布和條件概率分布由于，故有類似地，

CompanyLogo2.1.8貝葉斯決策理論貝葉斯決策理論是統(tǒng)計(jì)方法處理模式分類問題的基本理論之一CompanyLogo2.1.8貝葉斯決策理論CompanyLogo2.1.9期望和方差CompanyLogo2.1.9期望和方差2.2信息論的基本概念2.2.1熵2.2.2聯(lián)合熵和條件熵2.2.3互信息2.2.4相對熵2.2.5交叉熵2.2.6困惑度2.2.7噪聲信道模型CompanyLogo2.2.1熵CompanyLogo2.2.1熵CompanyLogo2.2.1熵CompanyLogo2.2.1熵CompanyLogo2.2.1熵CompanyLogo2.2.1熵CompanyLogo2.2.1熵CompanyLogo2.2.1熵CompanyLogo2.2.2聯(lián)合熵和條件熵CompanyLogo2.2.2聯(lián)合熵和條件熵CompanyLogo2.2.2聯(lián)合熵和條件熵CompanyLogo2.2.2聯(lián)合熵和條件熵

2.2.2聯(lián)合熵和條件熵2.2.2聯(lián)合熵和條件熵2.2.2聯(lián)合熵和條件熵

2.2.2聯(lián)合熵和條件熵2.2.2聯(lián)合熵和條件熵

2.2.2聯(lián)合熵和條件熵2.2.2聯(lián)合熵和條件熵2.2.2聯(lián)合熵和條件熵

2.2.2聯(lián)合熵和條件熵

2.2.2聯(lián)合熵和條件熵2.2.2聯(lián)合熵和條件熵

2.2.2聯(lián)合熵和條件熵

2.2.2聯(lián)合熵和條件熵

2.2.3互信息

2.2.3互信息2.2.3互信息2.2.4相對熵

2.2.4相對熵

2.2.4相對熵互信息實(shí)際上就是衡量一個(gè)聯(lián)合分布與獨(dú)立性差距多大的測度：證明：2.2.5交叉熵

2.2.5交叉熵

2.2.5交叉熵

2.2.6困惑度在自然語言處理中，我們所說的語言模型的困惑度通常是指語言模型對于測試數(shù)據(jù)的困惑度。一般情況下將所有的數(shù)據(jù)分成兩部分，一部分作為訓(xùn)練數(shù)據(jù)，用于估計(jì)模型的參數(shù)；另一部分作為測試數(shù)據(jù)，用于評估語言模型的質(zhì)量。

2.2.7噪聲信道模型

2.2.7噪聲信道模型

2.2.7噪聲信道模型

2.2.7噪聲信道模型

2.2.7噪聲信道模型

2.2.7噪聲信道模型

2.2.7噪聲信道模型

2.3支持向量機(jī)2.3.1線性分類2.3.2線性不可分2.3.3構(gòu)造核函數(shù)

2.3支持向量機(jī)支持向量機(jī)（supportvectormachine，SVM）

支持向量機(jī)是近幾年來發(fā)展起來的新型分類方法，是在高維特征空間使用線性函數(shù)假設(shè)空間的學(xué)習(xí)系統(tǒng)，在分類方面具有良好的性能。在自然語言處理中，SVM廣泛應(yīng)用于短語識別、語義消歧、文本自動分類和信息過濾等方面。

2.3.1線性分類兩類問題（正類和負(fù)類）的分類通常用一個(gè)實(shí)數(shù)函數(shù)（n為輸入維數(shù)，R為實(shí)數(shù)）。通常執(zhí)行如下操作：當(dāng)時(shí)，將輸入賦給正類，否則，將其賦給負(fù)類。當(dāng)是線性函數(shù)時(shí)，可以寫成如下形式其中，是控制函數(shù)的參數(shù)，決策規(guī)則由函數(shù)給出，通常2.3.1線性分類

該分類方法的幾何解釋是，方程式定義的超平面將輸入空間分成兩半，一半為負(fù)類，一半為正類。當(dāng)b的值變化時(shí)，超平面平行移動。

2.3.2線性不可分

對于非線性問題，可以把樣本映射到某個(gè)高維特征空間，在高維特征空間中使用線性學(xué)習(xí)器。因此，假設(shè)集是如下類型的函數(shù)：其中，是從輸入空間到某個(gè)特征空間的映射。也就是說，建立非線性分類器需要分兩布：首先使用一個(gè)非線性映射函數(shù)將數(shù)據(jù)變換到一個(gè)特征空間F,然后在這個(gè)特征空間上使用線性分類器。

2.3.2線性不可分

線性分類器的一個(gè)重要性質(zhì)是可以表示成對偶形式，這意味著假設(shè)可以表達(dá)為訓(xùn)練點(diǎn)和線性組合，因此，決策規(guī)則（分類函數(shù)）可以用測試點(diǎn)和訓(xùn)練點(diǎn)的內(nèi)積來表示：其中，是樣本數(shù)目；是個(gè)正值導(dǎo)數(shù)，可通過學(xué)習(xí)獲得；為類別標(biāo)記。如果有一種方法可以在特征空間中直接計(jì)算內(nèi)積，就像在原始輸入點(diǎn)的函數(shù)中一樣，那么，就有可能將兩個(gè)步驟融合到一起建立一個(gè)非線性分類器。這樣，在高維空間內(nèi)實(shí)際上只需要進(jìn)行內(nèi)積運(yùn)算，而這種內(nèi)積運(yùn)算是可以利用原空間中的函數(shù)實(shí)現(xiàn)的，我們甚至沒有必要知道變換的形式。這種直接計(jì)算的方法稱為核函數(shù)方法。2.3.4構(gòu)造核函數(shù)

定義核是一個(gè)函數(shù),對所有滿足：這里的是從到（內(nèi)積）特征空間的映射。一旦有了核函數(shù)，決策規(guī)則就可以通過對核函數(shù)的次計(jì)算得到：那么，這種方法的關(guān)鍵就是如何找到一個(gè)可以高效計(jì)算的核函數(shù)。

2.3.3構(gòu)造核函數(shù)

核函數(shù)要適合某個(gè)特征空間必須是對稱的，即并且，滿足下面的不等式：其中，是歐式模函數(shù)。但是，這些條件對于保證特征空間的存在是不充分的，還必須滿足Mercer定理的條件，對X的任意有限子集，相