最大熵模型可能刚开始接触的同学都觉得这个模型还行吧，不算啥，一般般。不就是让熵最大嘛，我取个均匀分布熵不就最大了嘛。这个模型有啥好讲的，嘿，您可太小瞧它了，我学习这个模型的感觉就像是什么呢？就像是在上课，上一秒还在讲1+1=2，我弯腰一捡笔，老师一黑板公式已经黑压压的写满了。哈哈恍如隔世，废话不多说哟，最近又重新学习了一下这个模型，感觉收获不小，特来和大家分享一下。
  如果你还不了解信息熵的概念，或者对熵、条件熵、交叉熵、互信息等概念不熟悉，这里有我专门为本文准备的传送门：一文说清楚你头疼不已的熵们：信息熵、联合熵、条件熵、互信息、交叉熵、相对熵（KL散度）。

  正式开始！

1.最大熵模型初探

1.1 模型引入

  最大熵模型有最基本的原则：

• 承认已知事物（现有知识）
• 对未知事物不做任何假设，没有偏袒
    听起来是不是很公平的样子，先来一个小例子
  
    上面的这个应该没有疑问，我们假设x,y的分布都是均匀分布，不就是最大熵模型了吗？
    而最大熵模型难就难在如何建立一个包含已有知识的无偏模型。
  
    看到这里我们依然还是很容易理解的，除去“学习”被标记为定语这样的一个事实，我们其他的情况依然是均匀分布的，这也是符合最大熵原理的。
    但是这个新知识太简单了，比如复杂一点的知识呢？
  
    是不是就开始蒙蔽了？没关系，我们的最大熵就是用来解决这个问题的。
  把已有约束（现有知识都可以看做是某种约束）都列举出来：
  
    整理一下，可以写作：
  
  
    因此我们可以知道：最大熵模型就是要在给定已有知识X的情况下，求熵最大时的后验分布呀！这里冒出来个后验分布，你听了不要感觉哇不得了，又开始听不懂了，后验分布其实就是$p(y|x)$p(y∣x)嘛。

1.2 特征函数

  特征函数这个概念很多地方见过有木有？像条件随机场里面就讲到过， 如果还不了解这个概念的话可以看看我前面的条件随机场的博客。
简而言之就是看看x,y是否符合某一条特征关系，如果符合取1，不符合取0，这个函数也没干别的事，就干这事情去了。

  那么我们考虑哦，一堆样本里面，先定义好一个特征函数，那么在样本中对每一条样本(x,y)，一定知道$f(x,y)$f(x,y)的值对不对，然后我们有样本，是可以统计出经验分布$\tilde P(x,y)$P~(x,y)的，也可以统计出边缘分布$\tilde P(x)$P~(x)的。
  然后最大熵模型最最最最最关键的步骤来了！
  特征函数$f(x,y)$f(x,y)关于经验分布$\tilde P(x,y)$P~(x,y)的期望是可以计算的：
$E_{\tilde P}(f) = \Sigma{x,y}\tilde P(x,y) f(x,y)$EP~​(f)=Σx,yP~(x,y)f(x,y)
  特征函数关于模型$P(Y|X)$P(Y∣X)与经验分布$\tilde P(x)$P~(x)的期望表示出来：
$E_{P}(f) = \Sigma{x,y} P(y|x)\tilde P(x) f(x,y)$EP​(f)=Σx,yP(y∣x)P~(x)f(x,y)
  对比一下上下两个公式，简直不能再像，我们希望建立的模型尽可能表达我们的样本中的知识，当然也就是希望这两个期望能相等，这就是我们最大熵模型中的核心约束！
$E_{\tilde P}(f) =E_{P}(f)$EP~​(f)=EP​(f)
  也就是
$\Sigma{x,y}\tilde P(x,y) f(x,y) = \Sigma{x,y} P(y|x)\tilde P(x) f(x,y)$Σx,yP~(x,y)f(x,y)=Σx,yP(y∣x)P~(x)f(x,y)
  有了这个约束，我们又有条件熵，现在要找条件熵最大的时候的模型，不就是一个带约束的最优化问题吗？直接拉格朗日乘子法就可以解了。


  对条件概率求偏导，并另其等于0，得到模型：

  进一步地，归一化因子求出来：

  现在模型得到了，关键就是里面的参数如何求解的问题了，即$\lambda$λ的求解问题，这个可以用梯度下降，也可以用IIS（改进的迭代尺度法）来求解，和crf ,LR 差不多，后面会单独开一篇文章，来讨论模型的常见最优化方法。

2.最大熵模型和逻辑回归的瓜葛

  我们经常听大佬说可以从最大熵模型的角度看待逻辑回归。也就是逻辑回归是一种基于最大熵模型的分类模型。这是什么意思呢？
通俗地说（一般说通俗地说的时候，就是作者自己都不会专业的表达），就是从这个角度看逻辑回归，我们是在寻找一条既满足已知知识（所有样本），又没有任何偏袒的分界面！
  有数学恐惧症的看到这里就可以关闭网页，洗洗睡觉了。因为下面从公式的角度来探讨一下。
  我们看看最大熵模型：
$P(y|x)=\frac{e^{\Sigma_i\lambda_i f_i(x,y)}}{\Sigma _ye^{\Sigma_i \lambda_i f_i(x,y)}}$P(y∣x)=Σy​eΣi​λi​fi​(x,y)eΣi​λi​fi​(x,y)​
  我们换种表达方式，入乡随俗，用LR的方式来写这个式子：
$P(y|x)=\frac{e^{\theta^T f(x,y)}}{\Sigma _ye^{\theta^T f(x,y)}}$P(y∣x)=Σy​eθTf(x,y)eθTf(x,y)​

  然后你说，这也不像LR啊，想骗我，我知道LR怎么写的：
$P(y=1|x)=\frac{e^{\theta^T x}}{1+e^{\theta^T x}}$P(y=1∣x)=1+eθTxeθTx​
$P(y=0|x)=\frac{1}{1+e^{\theta^Tx}}$P(y=0∣x)=1+eθTx1​
  现在我们就要从最大熵，推到LR。
  我们知道对于一个二分类的LR模型来说，y有两个label：$\{y_0, y_1\}${y0​,y1​}，现在对于最大熵模型，我们构造这样的一个特征函数：

• 当$y=y_1$y=y1​时，$f(x,y) = x$f(x,y)=x,
• 当$y=y_0$y=y0​时，$f(x,y) = 0$f(x,y)=0,

  啥意思呢，就是我们仅在$y=y_1$y=y1​时提取出全x的特征，然后在$y=y_0$y=y0​时，直接返回0向量。初看这个的时候，说实话我也是无法理解的。什么叫在$y=y_1$y=y1​时提取出全x的特征，然后在$y=y_0$y=y0​时返回空？？？难道说我们就只利用label是$y_1$y1​的样本？那另一半的样本扔了？错啦！不是这样理解的。
  这里的意思是对于一个待预测的样本，我们其实不知道它的label是什么，但是我们可以在计算的时候计算$P(y=y_1)$P(y=y1​)的概率，而这个时候，特征函数提取出$x$x向量作为特征；
在计算$P(y=y_0)$P(y=y0​)的时候，就不用提取任何特征了，因为特征在上一步已经被提取完全了；
OK，基于上面的阐述，我们可以由最大熵模型$P(y|x)=\frac{e^{\theta^T f(x,y)}}{\Sigma _ye^{\theta^T f(x,y)}}$P(y∣x)=Σy​eθTf(x,y)eθTf(x,y)​
推导：

1. $y=y_1$y=y1​时：
   $P(y=y_1|x)=\frac{e^{\theta^T x}}{e^{\theta^T x}+e^{\theta^T 0}}$P(y=y1​∣x)=eθTx+eθT0eθTx​
   $P(y=y_1|x)=\frac{e^{\theta^T x}}{e^{\theta^T x}+1}$P(y=y1​∣x)=eθTx+1eθTx​
2. $y=y_0$y=y0​时：
   $P(y=y_0|x)=\frac{e^{\theta^T 0}}{e^{\theta^T x}+e^{\theta^T 0}}$P(y=y0​∣x)=eθTx+eθT0eθT0​
   $P(y=y_0|x)=\frac{1}{e^{\theta^T x}+1}$P(y=y0​∣x)=eθTx+11​

  这不就完美得到了逻辑回归模型了吗？关键就在于理解那个特征函数，而那个特征函数，是最简单的一个特征函数，相当于本质就是特征$x$x。好的，我们知道，LR，CRF，MaxEnt他们的形式都好像，那crf和最大熵有没有关系呢？

3.最大熵模型和条件随机场的绯闻

  没有绯闻的模型算不得名模~因为我们觉得最大熵模型和条件随机场的形式很像，而且都有个特征函数的东东，那他们之间肯定有瓜葛呀！
  其实是这样的，最大熵模型可以从概率图的模型来解释，（这话不是我说的，因为我说的你肯定不信）。
  我们可以理解为：最大熵模型p(y|x)就类似于概率图模型中，势函数为指数函数的马尔科夫网络：（出自百面机器学习p124）

  而条件随机场我们太了解了：（线性链条件随机场）

  因此，我们可否理解为，crf是最大熵模型的序列模型形式？我认为是可以的。

4.最大熵模型和同母异父兄弟极大似然估计

  为什么说他们是孪生兄弟呢？是有道理的，最大熵模型是信息论的角度，极大似然估计是机器学习的角度。我们看看推导：



  我们看看，第一项，不就是我们的条件熵吗？我们最大熵模型不就是在优化条件熵吗，这样看，他们是不是殊途同归呢？

5.最大熵马尔科夫模型

  都讲到了这里了，不得不提一下最大熵马尔科夫模型了，我们先说说这个模型为什么存在，再说说它最大的问题（标注偏置问题）

5.1 隐马尔科夫模型的局限：条件独立假设

  条件独立假设是隐马模型的优势，也是它的缺点，简单来讲，它假设了隐状态仅和前一个状态有关，而更重要的是，观测序列的各个状态仅仅依赖于对应的隐状态，这给计算带来了方便，却限制了模型的表达能力。
  我们知道，在实际的序列标注问题中，隐状态标注不仅仅和单个观测状态有关，还和观测序列的上下文，长度等息息相关。

例如词性标注问题中， 一个词被标注为动词还是名词， 不仅与它本身以及它前一个词的标注有关， 还依赖于上下文中的其他词， 于是引出了最大熵马尔可夫模型（Maximum Entropy Markov Model，MEMM）
最大熵马尔可夫模型在建模时， 去除了隐马尔可夫模型中观测状态相互独立的假设， 考虑了整个观测序列， 因此获得了更强的表达能力。 同时， 隐马尔可夫模型是一种对隐状态序列和观测状态序列的联合概率P(x,y)进行建模的生成式模型， 而最大熵马尔可夫模型是直接对标注的后验概率P(y|x)进行建模的判别式模型。

  最大熵马尔可夫模型建模如下

  其中 $P(x_i|x_{i-1},y_{1...n})$P(xi​∣xi−1​,y1...n​)会在局部进行归一化， 即枚举xi的全部取值进行求和之后计算概率， 计算公式为

  其中Z为归一化因子

5.2 标注偏置问题

  但是为什么会产生标注偏置的问题？什么叫标注偏置的问题？这里引用一下《百面机器学习》的原文：

最大熵马尔可夫模型存在标注偏置问题， 如图6.7所示。 可以发现， 状态1倾向于转移到状态2， 状态2倾向于转移到状态2本身。 但是实际计算得到的最大概率路径是1->1->1->1， 状态1并没有转移到状态2， 如图6.8所示。 这是因为， 从状态2转移出去可能的状态包括1、 2、 3、 4、 5， 概率在可能的状态上分散了， 而状态1转移出去的可能状态仅仅为状态1和2， 概率更加集中。 由于局部归一化的影响， 隐状态会倾向于转移到那些后续状态可能更少的状态上， 以提高整体的后验概率。这就是标注偏置问题。

  我来解读一下呢，就是说在计算最大概率路径的时候，后续状态更少的那些状态就更讨喜，因为他们每个状态的转移概率就更大呀，这当然就不公平咯。所以解决的办法是全局的归一化！就是终极的武器：CRF。

  好了，差不多总结了最大熵模型，如果有不清楚的欢迎留言，我会及时更正~最后推荐大家看看李航博士的《统计学习方法第二版》，真的是深入浅出，越看越经典。
  代码部分待更新~