本文件包含：1.CRF++-0.58 2.人民日报语料；希望能对学习CRF的学习者们提供帮助

有向图模型的联合概率分解 每个节点的条件概率分布表示为： P(当前节点|它的父节点) 联合分布：

myLearn make:生成可执行文件 demo.sh:调试入口 model.conf:模型参数 从线性到非线性模型 1、线性回归，岭回归，Lasso回归，局部加权线性回归 2、logistic回归，softmax回归，最大熵模型 3、广义线性模型 4、Fisher线性判别和线性感知机 5、三层神经网络 6、支持向量机 统计概率模型 1、高斯判别分析 2、朴素贝叶斯 3、隐马尔可夫模型 4、最大熵马尔科夫模型 5，条件随机场 6，马尔科夫决策过程 树模型 1、决策树 ID3，C4.5，CART 2、随机森林RF 3、Adaboost 4、GBDT 5、XGboost 6、孤立森林（异常检测） 聚类模型 1、层次聚类 2、原型聚类-K-means 3、模型聚类-GMM 4、EM算法-LDA主题模型 5、密度聚类-DBSCAN 6、图聚类-谱聚类 特征工程 1、特征工程 2、特征提取 3、特

CRF详细讲解，希望对大家有所帮助。

参加了天池的一个pdf简历信息提取的比赛，这里进行回顾、整理和分享 赛题要求从pdf简历中提取出信息，可能会让人觉得，籍贯等。这里搭建了一个BiLSTM-CRF模型，从PDF简历中提取出想要的信息。 模型的线上得分是0.727，排名 21/1200+

自然语言处理作业 ，实现序列标注、人名地名机构名的命名实体识别 Bi-LSTM+CRF条件随机场 pytorch实现 PS：资源的下载积分会随下载次数自动增加越来越多，如果您积分不够的话可以私信我重置下载分数

随着医疗信息化的发展，医院产生了大量的医疗数据信息，积累了庞大的医疗电子病历数据。电子病历（EMR）是具有非结构化句子和多种概念表达，为医学信息提取提供了丰富的信息。然而，庞大的数据信息严重影响处理效率，因此提取电子病历中的命名实体成为研究的热点问题。为提高医院对复杂数据的处理效率，减轻工作人员的压力，本文提出了一种基于条件随机场（CRF）模型和特征模板结合的算法，来识别中文电子病历中的命名实体单元，识别准确率可以达到92.9%，可以有效地识别电子病历命名实体。基于本文采用的方法可以来结构化电子病历，减轻医生负担，推动医疗领域的发展。

学习视网膜图像中血管分割的全连接CRF

CRF二进制文件转换为通用CSV格式CRF二进制文件转换为通用CSV格式

# 中文命名实体识别 基于条件随机场（Conditional Random Field, CRF)的NER模型 ## 数据集 数据集用的是论文ACL 2018[Chinese NER using Lattice LSTM](https://github.com/jiesutd/LatticeLSTM)中收集的简历数据，数据的格式如下，它的每一行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行隔开。 ``` 美 B-LOC 国 E-LOC 的 O 华 B-PER 莱 I-PER 士 E-PER 我 O 跟 O 他 O 谈 O 笑 O 风 O 生 O ``` 该数据集就位于项目目录下的`data`文件夹里。 ## 运行结果 具体的输出可以查看`output.txt`文件。 ## 环境 首先安装依赖项： pip3 install -r requirement.txt 安装完毕之后，直接使用 python3 main.py > output.txt 即可训练、评估以及测试模型，评估模型将会打印出模型的精确率、召回率、F1分数值以及混淆矩阵。