- 综合排序
- 最热优先
- 最新优先
- 来自专栏KI的算法杂记
最大熵模型(MaxEnt)
当我们想要得到一个随机事件的概率分布时，如果没有足够的信息来完全确定其概率分布，那么最为保险的方法就是选择一个使得熵最大的分布。
2.4K30编辑于 2022-07-29 - 来自专栏个人分享
最大熵的Java实现
实现 已经将项目开源在https://github.com/hankcs/MaxEnt ，请检出Java代码后进行下一步。 String path = "data/train.txt"; MaxEnt maxEnt = new MaxEnt(); maxEnt.loadData(path); maxEnt.train(200); List<String> fieldList = new ArrayList<String>(); fieldList.add ("Sunny"); // 假如天晴 fieldList.add("Humid"); // 并且湿润 Pair<String, Double>[] result = maxEnt.predict
1K30发布于 2018-09-06 - 来自专栏python3
python实现最大熵模型
'' Created on 2017-8-7 根据李航<<统计学习方法>>实现 ''' from collections import defaultdict import math class MaxEnt self.calprob(features) prob.sort(reverse=True) return prob if __name__ == "__main__": maxent = MaxEnt() maxent.load_data("input.data") maxent.train(100) prob = maxent.predict("Sunny
1.6K20发布于 2020-01-13 - 来自专栏AI小白入门
初学者|不能不会的NLTK
, '.')] 3.命名实体识别 # 下载模型：nltk.download('maxent_ne_chunker') nltk.download('maxent_ne_chunker') [nltk_data ] Downloading package maxent_ne_chunker to [nltk_data] C:\Users\yuquanle\AppData\Roaming\nltk_data [nltk_data] Unzipping chunkers\maxent_ne_chunker.zip.
1.6K10发布于 2019-07-12 - 来自专栏PPV课数据科学社区
【学习】R语言中的情感分析与机器学习
1:10, testSize=11:15,virgin=FALSE) 其次，用多种机器学习算法训练模型： models = train_models(container, algorithms=c("MAXENT document_summary) analytics@ensemble_summar 结果的交叉验证： N=4 set.seed(2014) cross_validate(container,N,"MAXENT 可以看到，maxent的准确性跟朴素贝叶斯是一样的，其它方法的结果准确性更差。这是可以理解的，因为我们给的是一个非常小的数据集。 testSize=161:180,virgin=FALSE) #可以设置removeSparseTerms models = train_models(container, algorithms=c("MAXENT = cross_validate(container,N,"MAXENT") 与朴素贝叶斯方法相比，其它算法的结果更好，召回精度高于0.95。
1.6K81发布于 2018-04-23 - 来自专栏PPV课数据科学社区
R语言中的情感分析与机器学习
trainSize=1:10,testSize=11:15,virgin=FALSE) 其次，用多种机器学习算法训练模型： models = train_models(container,algorithms=c("MAXENT document_summary) analytics@ensemble_summar 结果的交叉验证： N=4 set.seed(2014) cross_validate(container,N,"MAXENT testSize=161:180,virgin=FALSE) #可以设置removeSparseTerms models = train_models(container,algorithms=c("MAXENT cross_SVM =cross_validate(container,N,"SVM") cross_GLMNET =cross_validate(container,N,"GLMNET") cross_MAXENT =cross_validate(container,N,"MAXENT") 与朴素贝叶斯方法相比，其它算法的结果更好，召回精度高于0.95。
1.8K60发布于 2018-04-23 - 来自专栏机器学习AI算法工程
R语言中的情感分析与机器学习
trainSize=1:10,testSize=11:15,virgin=FALSE) 其次，用多种机器学习算法训练模型： models = train_models(container,algorithms=c("MAXENT document_summary) analytics@ensemble_summar 结果的交叉验证： N=4 set.seed(2014) cross_validate(container,N,"MAXENT testSize=161:180,virgin=FALSE) #可以设置removeSparseTerms models = train_models(container,algorithms=c("MAXENT cross_SVM =cross_validate(container,N,"SVM") cross_GLMNET =cross_validate(container,N,"GLMNET") cross_MAXENT =cross_validate(container,N,"MAXENT") 与朴素贝叶斯方法相比，其它算法的结果更好，召回精度高于0.95。
1.7K30发布于 2018-03-14 - 来自专栏企鹅号快讯
金融机构利用人工智能反欺诈的利器：设备指纹技术的前世今生 下
并通过后台获取消息细节和设备指纹ID（即猛犸ID系统为这些消息赋予的唯一Maxent ID），示意图如下。 具体来说，对在同一设备上发生的用户行为赋予同一个Maxent ID，可以基于Maxent ID将用户行为按设备进行关联，而且不会因为刷机软件对于设备ID修改而改变。 客户可以基于Maxent ID将同一设备发送的注册请求进行关联。通过统计同一Maxent ID发出的贷款请求数，可以有效的发现重复贷款请求行为。
1.8K70发布于 2018-01-08 - 来自专栏DeepHub IMBA
最大熵逆强化学习：理论基础、数学推导与工程实现
本文专注于第二种方法，特别是基于最大熵原理的MaxEnt IRL算法。该方法是一种流行且有效的IRL实现方案。 接下来转入本文核心内容：MaxEnt IRL的理论与实现。 这促使了MaxEnt IRL新变体的提出以适应该情况，如最大因果熵方法。 评估指标用于评估训练模型，计算为基于训练奖励和真实奖励的训练值函数间的差异。 MaxEnt深度IRL 为解决FM和MaxEnt IRL方法的奖励线性基本限制，并实现任意复杂度奖励函数的学习，最大熵深度IRL通过定义奖励的深度学习模型Ri=rψ(ϕ(si))训练奖励信号，其中ψ_是模型参数集 为克服线性奖励函数的表达能力限制，文章进一步介绍了MaxEnt深度IRL方法，展示了如何利用深度神经网络学习任意复杂度的非线性奖励函数。
59210编辑于 2025-08-20 - 来自专栏码匠的流水账
使用opennlp自定义命名实体
TrainingParameters params = new TrainingParameters(); params.put(TrainingParameters.ALGORITHM_PARAM, "MAXENT 来进行自定义标注实体，命名实体的话则在START之后用冒号标明，比如<START:person> 参数说明 ALGORITHM_PARAMOn the engineering level, using maxent
1.5K10发布于 2018-09-17 - 来自专栏数据猿
大数据投融资周报(6月4日-6月10日：共11起)
八、SaaS服务商Maxent完成数千万元A轮融资，专注于大数据反欺诈研究 本文由“135编辑器”提供技术支持 成立于2014年的反欺诈SaaS服务商Maxent日前宣布已经获得了由祥峰资本投资的数千万元 A轮融资，据悉，Maxent自成立以来，一直专注于为企业在推广、运营、交易等重要环节提供指纹技术以及大数据反欺诈技术，从有效保护企业信息不受侵害，捉出恶意设备，减少企业经济损失。 本轮融资之后，Maxent将重点投入到反欺诈云服务产品的研发工作上，并且进一步提升大数据反欺诈能力。
71840发布于 2018-04-19 - 来自专栏人工智能头条
初学者不能不会的NLTK
, '.')] 3.命名实体识别 # 下载模型：nltk.download('maxent_ne_chunker') nltk.download('maxent_ne_chunker') [nltk_data ] Downloading package maxent_ne_chunker to [nltk_data] C:UsersyuquanleAppDataRoaming ltk_data...
1.1K20发布于 2019-10-22 - 来自专栏技术圈
NLTK在去停用词、分词、分句以及词性标注的使用
同理当报出 LookupError Resource ***/maxent_treebank_pos_tagger/ ********************************* 对应下载maxent_treebank_pos_tagger
2.4K20发布于 2019-08-22 - 来自专栏技术汇总专栏
结合最大熵原理的逆向强化学习算法及其在AI Agent中的应用
三、方法框架3.1 IRL的经典方法最大熵IRL（MaxEnt IRL）：通过最大化轨迹分布的熵，避免奖励函数学习的歧义性。 __init__(nS, nA, P, isd)4.2 最大熵IRL算法def maxent_irl(feature_matrix, P_a, gamma, trajs, lr, n_iters): 构建P_a (略，参考环境定义)rewards = maxent_irl(feature_matrix, P_a, 0.9, trajs, lr=0.01, n_iters=100)print("Recovered
47510编辑于 2025-09-04 - 来自专栏人工智能
机器学习教程：最大熵文本分类器
image.png 在本教程中，我们将讨论最大熵文本分类器，也称为MaxEnt分类器。最大熵分类器是自然语言处理，语音和信息检索问题中常用的判别分类器。 MaxEnt基于最大熵原理，并从适合我们训练数据的所有模型中选择具有最大熵的模型。最大熵分类器可以用来解决大量的文本分类问题，如语言检测，主题分类，情感分析等。 何时使用MaxEnt文本分类器？ 由于最大熵分类器所做的最小假设，当我们对先前的分布没有任何了解以及做出的假设是不安全的时候，我们通常使用它。
4.7K80发布于 2018-01-29 - 来自专栏CreateAMind
DIME：基于扩散的最大熵强化学习
Maximum Entropy Reinforcement Learning DIME：基于扩散的最大熵强化学习 https://arxiv.org/pdf/2502.02316 摘要 最大熵强化学习（MaxEnt-RL 基于扩散模型的策略提供了一种更具表达力的替代方案，但将其整合到MaxEnt-RL中面临挑战，主要问题在于计算其边际熵的不可行性。为解决这一问题，我们提出了基于扩散的最大熵强化学习方法（DIME）。 我们的方法使得能够使用表达能力更强的基于扩散的策略，同时保留了MaxEnt-RL在探索方面的原则性优势，在具有挑战性的高维控制基准任务上显著优于其他基于扩散的强化学习方法。 由于MaxEnt-RL中的策略改进也可以被形式化为对基于能量的策略进行近似推断问题（Haarnoja et al., 2017），因此探索这两者之间的相似性是一个自然的方向。 DIME利用扩散模型在近似推断方面的最新进展（Richter & Berner），推导出MaxEnt目标的一个下界。我们提出了一种策略迭代框架，能够实现单调的策略改进，并收敛至最优的扩散策略。
7610编辑于 2026-03-11 - 来自专栏小明的博客
最大熵原理以及最大熵模型
最大熵原理(Maxent principle) 最大熵原理是概率模型学习的一个准则。 书中通过一个例子来介绍最大熵原理，下面引用一下文献中关于这个例子的总结。 无论怎样，这些代码的实现，都会有助于对Maxent的理解。推荐后面参考文献[1] 李航老师在本章给出的参考文献中[1, 2]是Berger的文章。 Demo 这部分代码没有LR的说明。 Maxent 参考链接: https://github.com/WenDesi/lihang_book_algorithm/tree/master/maxENT 本来是想在这个代码的基础上更改，但是代码分解的不是非常容易理解
2.5K41编辑于 2022-09-05 - 来自专栏原创
Python与R的争锋：大数据初学者该怎样选？
)：bagging集成分类 BOOSTING (caTools:LogitBoost)：Logit Boosting 集成分类 GLMNET(glmnet:glmnet)：基于最大似然的广义线性回归 MAXENT (maxent:maxent)：最大熵模型 NNET(nnet:nnet) ：神经网络 RF(randomForest:randomForest)：随机森林 SLDA(ipred:slda)：scaled
8.2K90发布于 2018-03-21 - 来自专栏hadoop学习笔记
在Python中调用Java扩展包HanLP测试记录
最短路分词、CRF分词、索引分词、用户自定义词典、词性标注），命名实体识别（中国人名、音译人名、日本人名、地名、实体机构名识别），关键词提取，自动摘要，短语提取，拼音转换，简繁转换，文本推荐，依存句法分析（MaxEnt
2.6K00发布于 2018-12-12 - 来自专栏机器学习入门
最大熵模型与GIS ，IIS算法
一份简明的Python实现： import sys import math from collections import defaultdict class MaxEnt: def __init _pyx(X) return prob if __name__ == "__main__": maxent = MaxEnt() maxent.load_data('data.txt ') maxent.train() print (maxent.predict("sunny\thot\thigh\tFALSE")) print (maxent.predict ("overcast\thot\thigh\tFALSE")) print (maxent.predict("sunny\tcool\thigh\tTRUE")) sys.exit(0) 最大熵IIS训练算法的Java实现 Fork自https://github.com/tpeng/maxent ，经过实测，hankcs所给的数据训练准确率可达0.7619。
2K20发布于 2019-05-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号