第11章 条件随机场
覆盖概率无向图、条件随机场、概率计算、学习与预测；用推导路径、单故障数值轨迹和结论验收门完成独立复核。
学习目标
- 能说明“第11章 条件随机场”如何覆盖概率无向图、条件随机场、概率计算、学习与预测，并区分原版范围、独立核验和后续扩展
- 能先预测“怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？”的定义与数值路径，再用已知量、变换、残差和反例逐步复核
- 能注入“局部归一替代全局配分函数，或训练解码使用不同特征索引”，用“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”决定接受、降级或拒绝方法结论
为什么从这个方法推演开始
CRF页把特征、全局归一与序列解码连接在一张可检查图上。 “第11章 条件随机场”的贯穿任务是：对短标注序列计算势函数、前向后向、梯度与Viterbi路径。 动手前先写下哪个定义、矩阵、分布、目标或迭代状态会变化；运行后补理由不算预测。
本页围绕“怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？”建立参考、故障与恢复路径。只有“第11章 条件随机场”守住“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”并交付标签域、特征ID、势矩阵、前向后向量、配分函数、经验/模型期望、梯度、参数和解码回溯。，公式、图形或指标才构成统计学习证据。
书目、285个原版层级与版本边界
“第11章 条件随机场”以清华大学出版社官方书页核对李航著《统计学习方法（第2版）》于2019年出版、ISBN 9787302517276和监督/无监督两篇结构，同时以出版社英文版权页确认484页及两篇主要内容，再以出版社公开完整目录逐项核对两篇、22章、256个编号节/小节和附录A-E，因此本站覆盖分母共285个正式目录层级。
“第11章 条件随机场”未取得原书完整正文授权，只以出版社完整目录限定范围；中文解释、推导、数值实验、交互、练习与答案均为独立教学重写。“第11章 条件随机场”按2019年第2版范围解释；当前库函数和后续研究只作独立核验，不反写原版。
本页另以技术核对 1、技术核对 2、技术核对 3核对算法原始定义、实现语义或数值工具。外部资料能验证技术事实，不能反向证明原书正文采用了本站表述。
原版目录层级与方法机制
第11章 条件随机场
↡条件随机场对应原版目录坐标“第11章 条件随机场”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 1/17。 在“第11章 条件随机场”的坐标1中，目录项「第11章 条件随机场」用于以全局特征和配分函数学习、推断序列标签；先冻结符号与形状，再以图、势、前向后向、配分、经验/模型期望、梯度与路径复核，出现局部归一替代全局归一时撤回结论。
11.1 概率无向图模型
↡概率无向图模型对应原版目录坐标“11·1 概率无向图模型”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 2/17。 目录项「11·1 概率无向图模型」进入“第11章 条件随机场”后要回答第2个方法问题：它怎样以全局特征和配分函数学习、推断序列标签、改变什么数值状态、由哪些图、势、前向后向、配分、经验/模型期望、梯度与路径证明，并如何排除局部归一替代全局归一。
11.1.1 模型定义
↡模型定义对应原版目录坐标“11·1·1 模型定义”，在“第11章 条件随机场”中用于把目录坐标转为有定义、推导、计算和验收的统计学习合同，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 3/17。 围绕“怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？”，在“第11章 条件随机场”的原版层级3把「11·1·1 模型定义」落实为把目录坐标转为有定义、推导、计算和验收的统计学习合同；复核者先读取变量、假设、目标、更新、数值残差、评估和边界反例，不能接受只复述结论或公式名称。
11.1.2 概率无向图模型的因子分解
↡概率无向图模型的因子分解对应原版目录坐标“11·1·2 概率无向图模型的因子分解”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 4/17。 对“第11章 条件随机场”而言，目录项「11·1·2 概率无向图模型的因子分解」的最小推演合同是以全局特征和配分函数学习、推断序列标签，第4次检查保存图、势、前向后向、配分、经验/模型期望、梯度与路径；若产生局部归一替代全局归一，就返回上一步。
11.2 条件随机场的定义与形式
↡条件随机场的定义对应原版目录坐标“11·2 条件随机场的定义与形式”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 5/17。 第5个正式坐标「11·2 条件随机场的定义与形式」服务于覆盖概率无向图、条件随机场、概率计算、学习与预测，需要以图、势、前向后向、配分、经验/模型期望、梯度与路径呈现以全局特征和配分函数学习、推断序列标签；局部归一替代全局归一会破坏“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”。
11.2.1 条件随机场的定义
↡条件随机场的定义对应原版目录坐标“11·2·1 条件随机场的定义”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 6/17。 在“第11章 条件随机场”的坐标6中，目录项「11·2·1 条件随机场的定义」用于以全局特征和配分函数学习、推断序列标签；先冻结符号与形状，再以图、势、前向后向、配分、经验/模型期望、梯度与路径复核，出现局部归一替代全局归一时撤回结论。
11.2.2 条件随机场的参数化形式
↡条件随机场的参数化形式对应原版目录坐标“11·2·2 条件随机场的参数化形式”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 7/17。 目录项「11·2·2 条件随机场的参数化形式」进入“第11章 条件随机场”后要回答第7个方法问题：它怎样以全局特征和配分函数学习、推断序列标签、改变什么数值状态、由哪些图、势、前向后向、配分、经验/模型期望、梯度与路径证明，并如何排除局部归一替代全局归一。
11.2.3 条件随机场的简化形式
↡条件随机场的简化形式对应原版目录坐标“11·2·3 条件随机场的简化形式”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 8/17。 围绕“怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？”，在“第11章 条件随机场”的原版层级8把「11·2·3 条件随机场的简化形式」落实为以全局特征和配分函数学习、推断序列标签；复核者先读取图、势、前向后向、配分、经验/模型期望、梯度与路径，不能接受局部归一替代全局归一。
11.2.4 条件随机场的矩阵形式
↡条件随机场的矩阵形式对应原版目录坐标“11·2·4 条件随机场的矩阵形式”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 9/17。 对“第11章 条件随机场”而言，目录项「11·2·4 条件随机场的矩阵形式」的最小推演合同是以全局特征和配分函数学习、推断序列标签，第9次检查保存图、势、前向后向、配分、经验/模型期望、梯度与路径；若产生局部归一替代全局归一，就返回上一步。
11.3 条件随机场的概率计算问题
↡条件随机场的概率计算问题对应原版目录坐标“11·3 条件随机场的概率计算问题”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 10/17。 第10个正式坐标「11·3 条件随机场的概率计算问题」服务于覆盖概率无向图、条件随机场、概率计算、学习与预测，需要以图、势、前向后向、配分、经验/模型期望、梯度与路径呈现以全局特征和配分函数学习、推断序列标签；局部归一替代全局归一会破坏“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”。
11.3.1 前向-后向算法
↡前向-后向算法对应原版目录坐标“11·3·1 前向-后向算法”，在“第11章 条件随机场”中用于在同一状态模型上计算概率、学习参数与解码路径，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 11/17。 在“第11章 条件随机场”的坐标11中，目录项「11·3·1 前向-后向算法」用于在同一状态模型上计算概率、学习参数与解码路径；先冻结符号与形状，再以初始/转移/发射、缩放alpha/beta、期望计数与回溯复核，出现索引错位、未归一或下溢时撤回结论。
11.3.2 概率计算
↡概率计算对应原版目录坐标“11·3·2 概率计算”，在“第11章 条件随机场”中用于把目录坐标转为有定义、推导、计算和验收的统计学习合同，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 12/17。 目录项「11·3·2 概率计算」进入“第11章 条件随机场”后要回答第12个方法问题：它怎样把目录坐标转为有定义、推导、计算和验收的统计学习合同、改变什么数值状态、由哪些变量、假设、目标、更新、数值残差、评估和边界反例证明，并如何排除只复述结论或公式名称。
11.3.3 期望值的计算
↡期望值的计算对应原版目录坐标“11·3·3 期望值的计算”，在“第11章 条件随机场”中用于把目录坐标转为有定义、推导、计算和验收的统计学习合同，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 13/17。 围绕“怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？”，在“第11章 条件随机场”的原版层级13把「11·3·3 期望值的计算」落实为把目录坐标转为有定义、推导、计算和验收的统计学习合同；复核者先读取变量、假设、目标、更新、数值残差、评估和边界反例，不能接受只复述结论或公式名称。
11.4 条件随机场的学习算法
↡条件随机场的学习算法对应原版目录坐标“11·4 条件随机场的学习算法”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 14/17。 对“第11章 条件随机场”而言，目录项「11·4 条件随机场的学习算法」的最小推演合同是以全局特征和配分函数学习、推断序列标签，第14次检查保存图、势、前向后向、配分、经验/模型期望、梯度与路径；若产生局部归一替代全局归一，就返回上一步。
11.4.1 改进的迭代尺度法
↡改进的迭代尺度法对应原版目录坐标“11·4·1 改进的迭代尺度法”，在“第11章 条件随机场”中用于以指数族连接条件概率、最大似然与最大熵约束，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 15/17。 第15个正式坐标「11·4·1 改进的迭代尺度法」服务于覆盖概率无向图、条件随机场、概率计算、学习与预测，需要以特征函数、经验/模型期望、目标、梯度、曲率与概率诊断呈现以指数族连接条件概率、最大似然与最大熵约束；目标未收敛或数值溢出会破坏“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”。
11.4.2 拟牛顿法
↡拟牛顿法对应原版目录坐标“11·4·2 拟牛顿法”，在“第11章 条件随机场”中用于以指数族连接条件概率、最大似然与最大熵约束，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 16/17。 在“第11章 条件随机场”的坐标16中，目录项「11·4·2 拟牛顿法」用于以指数族连接条件概率、最大似然与最大熵约束；先冻结符号与形状，再以特征函数、经验/模型期望、目标、梯度、曲率与概率诊断复核，出现目标未收敛或数值溢出时撤回结论。
11.5 条件随机场的预测算法
↡条件随机场的预测算法对应原版目录坐标“11·5 条件随机场的预测算法”，在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，并受定义域、形状、目标、算法状态与版本边界约束。原版坐标 17/17。 目录项「11·5 条件随机场的预测算法」进入“第11章 条件随机场”后要回答第17个方法问题：它怎样以全局特征和配分函数学习、推断序列标签、改变什么数值状态、由哪些图、势、前向后向、配分、经验/模型期望、梯度与路径证明，并如何排除局部归一替代全局归一。
先预测，再操作三个章专属实验
1. 定义、推导与变换路径
固定“对短标注序列计算势函数、前向后向、梯度与Viterbi路径。”，在参考与反例间切换，逐阶段查看“序列与图、特征与势、配分函数、参数学习、序列解码”的已知量、变换、结果和数值检查。
推导路径
选择案例，逐步核对已知量与变换
怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？
问题设置
对短标注序列计算势函数、前向后向、梯度与Viterbi路径。 固定符号、数据、初值、顺序、容差和种子。
事前预测
沿“序列与图 → 特征与势 → 配分函数 → 参数学习 → 序列解码”得到可复核结果。
适用边界
全过程必须满足“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”。
已知量
第11章 条件随机场：声明对象、符号与适用域，冻结数据、形状和版本
变换或更新
只读取本步允许的已知量，并持续满足“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”
阶段结果
序列与图产生形式化问题状态
数值与逻辑检查
形式化问题状态、索引和数值断言；出现“局部归一替代全局配分函数，或训练解码使用不同特征索引”时停止
原版坐标：第11章 条件随机场、11.1 概率无向图模型、11.1.1 模型定义、11.1.2 概率无向图模型的因子分解、11.2 条件随机场的定义与形式、11.2.1 条件随机场的定义、11.2.2 条件随机场的参数化形式、11.2.3 条件随机场的简化形式、11.2.4 条件随机场的矩阵形式、11.3 条件随机场的概率计算问题、11.3.1 前向-后向算法、11.3.2 概率计算、11.3.3 期望值的计算、11.4 条件随机场的学习算法、11.4.1 改进的迭代尺度法、11.4.2 拟牛顿法、11.5 条件随机场的预测算法
第11章 条件随机场的可重放方法协议
| 阶段 | 允许动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 序列与图 | 在“第11章 条件随机场”执行序列与图，只改变声明的数学或数值状态 | 符号、定义域、形状、数据与版本 | 对象或形状不可追溯 |
| 特征与势 | 在“第11章 条件随机场”执行特征与势，只改变声明的数学或数值状态 | 模型、目标、约束、参数/隐变量与迭代轨迹 | 局部归一替代全局配分函数，或训练解码使用不同特征索引 |
| 配分函数 | 在“第11章 条件随机场”执行配分函数，只改变声明的数学或数值状态 | 模型、目标、约束、参数/隐变量与迭代轨迹 | 局部归一替代全局配分函数，或训练解码使用不同特征索引 |
| 参数学习 | 在“第11章 条件随机场”执行参数学习，只改变声明的数学或数值状态 | 模型、目标、约束、参数/隐变量与迭代轨迹 | 局部归一替代全局配分函数，或训练解码使用不同特征索引 |
| 序列解码 | 在“第11章 条件随机场”执行序列解码，只改变声明的数学或数值状态 | 残差、诊断、反例、适用边界与复现 | 无法重放或缺少诊断 |
unit: "slm-11"
question: "怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？"
scenario: "对短标注序列计算势函数、前向后向、梯度与Viterbi路径。"
stages: ["序列与图", "特征与势", "配分函数", "参数学习", "序列解码"]
invariant: "图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定"
fault: "局部归一替代全局配分函数，或训练解码使用不同特征索引"
evidence: "标签域、特征ID、势矩阵、前向后向量、配分函数、经验/模型期望、梯度、参数和解码回溯。"
reset: restore_case_stage_trace_mode_step_gates_and_artifact该协议要求“第11章 条件随机场”在相同符号、数据、形状、初值、顺序、容差和种子下重放。重置后若案例、阶段、轨迹模式、步骤、结论门或证据包没有回到基线，交互状态已经污染比较。
本页回顾
掌握“第11章 条件随机场”不是背诵公式或API，而是能围绕“怎样从特征函数与全局归一化得到条件概率，并复核梯度和解码？”重建定义与数值证据，并用“图结构、标签序列、特征函数、参数、配分函数、正则与边界状态固定”拒绝“局部归一替代全局配分函数，或训练解码使用不同特征索引”。最终交付为标签域、特征ID、势矩阵、前向后向量、配分函数、经验/模型期望、梯度、参数和解码回溯。
练习与答案
练习
- 问题 1：方法合同。 “第11章 条件随机场”为什么必须先冻结符号、数据、形状、初值、顺序、容差和种子？
- 问题 2：目录逐项覆盖。 怎样证明原版目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“局部归一替代全局配分函数，或训练解码使用不同特征索引”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 条件随机场
检索键 slm-A 对应目录坐标「第11章 条件随机场」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 概率无向图模型
检索键 slm-B 对应目录坐标「11·1 概率无向图模型」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 模型定义
检索键 slm-C 对应目录坐标「11·1·1 模型定义」；在“第11章 条件随机场”中用于把目录坐标转为有定义、推导、计算和验收的统计学习合同，需要连接原版范围、定义、数值状态与独立证据。
- 概率无向图模型的因子分解
检索键 slm-D 对应目录坐标「11·1·2 概率无向图模型的因子分解」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的定义
检索键 slm-E 对应目录坐标「11·2 条件随机场的定义与形式」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的定义
检索键 slm-F 对应目录坐标「11·2·1 条件随机场的定义」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的参数化形式
检索键 slm-G 对应目录坐标「11·2·2 条件随机场的参数化形式」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的简化形式
检索键 slm-H 对应目录坐标「11·2·3 条件随机场的简化形式」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的矩阵形式
检索键 slm-I 对应目录坐标「11·2·4 条件随机场的矩阵形式」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的概率计算问题
检索键 slm-J 对应目录坐标「11·3 条件随机场的概率计算问题」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 前向-后向算法
检索键 slm-K 对应目录坐标「11·3·1 前向-后向算法」；在“第11章 条件随机场”中用于在同一状态模型上计算概率、学习参数与解码路径，需要连接原版范围、定义、数值状态与独立证据。
- 概率计算
检索键 slm-L 对应目录坐标「11·3·2 概率计算」；在“第11章 条件随机场”中用于把目录坐标转为有定义、推导、计算和验收的统计学习合同，需要连接原版范围、定义、数值状态与独立证据。
- 期望值的计算
检索键 slm-M 对应目录坐标「11·3·3 期望值的计算」；在“第11章 条件随机场”中用于把目录坐标转为有定义、推导、计算和验收的统计学习合同，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的学习算法
检索键 slm-N 对应目录坐标「11·4 条件随机场的学习算法」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。
- 改进的迭代尺度法
检索键 slm-O 对应目录坐标「11·4·1 改进的迭代尺度法」；在“第11章 条件随机场”中用于以指数族连接条件概率、最大似然与最大熵约束，需要连接原版范围、定义、数值状态与独立证据。
- 拟牛顿法
检索键 slm-P 对应目录坐标「11·4·2 拟牛顿法」；在“第11章 条件随机场”中用于以指数族连接条件概率、最大似然与最大熵约束，需要连接原版范围、定义、数值状态与独立证据。
- 条件随机场的预测算法
检索键 slm-Q 对应目录坐标「11·5 条件随机场的预测算法」；在“第11章 条件随机场”中用于以全局特征和配分函数学习、推断序列标签，需要连接原版范围、定义、数值状态与独立证据。