trained to maximize theconditional

trained to maximize theconditional probability of the desired output based on the corresponding input.
Currently, they have been proved to be an effective approach to deal with segmenting and labeling sequence data.
As developed from Maximum Entropy Markov Models (MEMMs), CRFs inherit all advantages as well as eliminate the limitation of MEMMs or the label bias problem.

Results (Thai) 1:

ฝึกอบรมเพื่อเพิ่มความน่าเป็น theconditional ของผลลัพธ์ที่ต้องการใช้ในการป้อนข้อมูลที่สอดคล้องกัน ขณะนี้ พวกเขาได้ถูกพิสูจน์จะเป็นวิธีการที่มีประสิทธิภาพในการจัดการกับสภาพ และการติดฉลากข้อมูลลำดับ เป็นพัฒนาจากโมเดลการมาร์คอฟเอนโทรปีสูงสุด (MEMMs), CRFs เอาข้อดีทั้งหมด ตลอดจนกำจัดข้อจำกัดของ MEMMs หรือปัญหา bias ป้าย

Results (Thai) 2:

ผ่านการฝึกอบรมเพื่อเพิ่มความน่าจะเป็น theconditional ของการส่งออกที่ต้องการบนพื้นฐานของข้อมูลที่สอดคล้องกัน.
ขณะนี้พวกเขาได้รับการพิสูจน์แล้วว่าเป็นแนวทางที่มีประสิทธิภาพในการจัดการกับการแบ่งกลุ่มและข้อมูลลำดับการติดฉลาก.
ในฐานะที่พัฒนามาจากสูงสุดเอนโทรปีมาร์คอฟรุ่น (MEMMs) CRFs สืบทอดประโยชน์ทั้งหมด เช่นเดียวกับการขจัดข้อ จำกัด ของ MEMMs หรือปัญหาที่ฉลากอคติ

Results (Thai) 3:

การฝึกอบรมเพื่อเพิ่ม theconditional ความน่าจะเป็นของผลลัพธ์ที่ต้องการขึ้นอยู่กับการป้อนข้อมูลที่สอดคล้องกันขณะนี้ พวกเขาได้พิสูจน์แล้วว่าเป็นวิธีที่มีประสิทธิภาพในการจัดการกับการแบ่งส่วนและการติดฉลากข้อมูลลำดับที่พัฒนามาจากแบบจำลองมาร์คอฟเอนโทรปีสูงสุด ( memms ) crfs สืบทอดข้อดีทั้งหมด รวมทั้งขจัดข้อจำกัดของ memms หรือฉลากมีปัญหา