■
マシン
elm
モデルファイル
elm 上 rwcp_memm_5_100_3_gaussian_007_3
学習
Likelihood: 0.00161736 -> 0.00162545 (relative change: 0.00500255)
Log likelihood: -150847 -> -150730 (relative change: 0.000777033)
# of iterations: 29
Elapsed time: 2409.75
Elapsed time per iteration: 83.0948
定量評価
Precision of segmentation: 175268 / 186480 = 0.939876
Recall of segmentation: 175268 / 186414 = 0.940208
F-measure of segmentation: 0.940042
Unknown word recall: 0.521376
■
マシン
モデルファイル
vine 上 rwcp_memm_5_100_6_3
学習
Likelihood: 0.00843418 -> 0.00841299 (relative change: 0.00251864)
Log likelihood: -112085 -> -112144 (relative change: 0.000526751)
# of iterations: 54
Elapsed time: 5159.95
Elapsed time per iteration: 95.5546
定量評価
Precision of segmentation: 176593 / 187056 = 0.944065
Recall of segmentation: 176593 / 186414 = 0.947316
F-measure of segmentation: 0.945688
Unknown word recall: 0.578875
考察
ありゃ？有意に良くなってる？やはり素性頻度の足きりラインはもうちょい上にすべきか．一応他の素性頻度足きりでの結果待ち．
あと，前々から聞いてはいたけれど prior かけないと収束に致命的に時間がかかるね．
■
マシン
fir (XEON 2.8G, 4.0GB, Gentoo Linux 2005.1)
素性
RWCP 標準設定
全コーパス中の出現頻度3回未満の素性を破棄
未知語処理
5文字未知語全展開
1回出現の単語を全て擬似未知語として学習
その他パラメータ
素性数：
ユニークな単語数：18023
1回のみ出現した単語数：8928 (49.5%)
学習モデル
前進 MEMM
Gaussian prior, 全素性の分散を0.09で固定
学習
Likelihood: 0.00203316 -> 0.00203898 (relative change: 0.00286099)
Log likelihood: -120815 -> -120742 (relative change: 0.00046114)
# of iterations: 31
Elapsed time: 2598.67
Elapsed time per iteration: 83.8281
定量評価
Precision of segmentation: 176075 / 187001 = 0.941573
Recall of segmentation: 176075 / 186414 = 0.944537
F-measure of segmentation: 0.943053
Unknown word recall: 0.544582
考察
RWCP 形態素解析実験結果（前進 MEMM）
マシン
elm (XEON 2.8G, 4.0GB, Gentoo Linux 2005.1)
素性
RWCP 標準設定
全コーパス中の出現頻度3回未満の素性を破棄
未知語処理
5文字未知語全展開
1回出現の単語を全て擬似未知語として学習
その他パラメータ
素性数：
ユニークな単語数：18023
1回のみ出現した単語数：8928 (49.5%)
学習モデル
前進 MEMM
Gaussian prior, 全素性の分散を0.3で固定
学習
Likelihood: 0.00581434 -> 0.00583248 (relative change: 0.00311974)
Log likelihood: -120815 -> -120742 (relative change: 0.0006055)
# of iterations: 54
Elapsed time: 4573.94
Elapsed time per iteration: 84.7026
定量評価
Precision of segmentation: 176739 / 187836 = 0.940922
Recall of segmentation: 176739 / 186414 = 0.948099
F-measure of segmentation: 0.944497
Unknown word recall: 4593 / 8748 = 0.525034
考察
variance に対する精度の傾向がつかめてきたので収束条件強めますか．
RWCP 形態素解析実験結果（Gaussian prior 付前進 MEMM）
マシン
fir (XEON 2.8G, 4.0GB, Gentoo Linux 2005.1)
素性
RWCP 標準設定
全コーパス中の出現頻度3回未満の素性を破棄
未知語処理
5文字未知語全展開
1回出現の単語を全て擬似未知語として学習
その他パラメータ
素性数：
ユニークな単語数：18023
1回のみ出現した単語数：8928 (49.5%)
学習モデル
前進 MEMM
Gaussian prior, 全素性の分散を0.2で固定
モデルファイル
fir上 rwcp_memm_5_100_3_gaussian_02_3
学習
学習停止条件：log likelihood の相対変化が 1.0e-3 以下
Likelihood: 0.00422954 -> 0.00424362 (relative change: 0.00332914)
Log likelihood: -128285 -> -128207 (relative change: 0.000608459)
# of iterations: 46
Elapsed time: 3890.22
Elapsed time per iteration: 84.57
デコード
MEMM 用前進 Viterbi
定量評価
Precision of segmentation: 176343 / 187114 = 0.942436
Recall of segmentation: 176343 / 186414 = 0.945975
F-measure of segmentation: 0.944202
Unknown word recall: 4669 / 8748 = 0.533722
考察
RWCP 形態素解析実験結果（前進 MEMM）
http://d.hatena.ne.jp/ai_azuma/20060416#1145178502 と同じ実験設定でマシンだけ変えたもの
マシン
elm
モデルファイル
elm 上 rwcp_memm_5_100_3_3
学習
Likelihood: 0.000430434 -> 0.000429505 (relative change: 0.00216254)
Log likelihood: -181917 -> -181968 (relative change: 0.00027871)
# of iteration: 14
Elapsed time: 1108.87
Elapsed time per iteration: 79.205
定量評価
precision of segmentation: 172306 / 185447 = 0.929139
recall of segmentation: 172306 / 186414 = 0.924319
F-measure of segmentation: 0.926723
unknown word recall: 4864 / 8748 = 0.556013
考察
さすがに学習の終端条件が1.0e-3と1.0e-4じゃ精度に致命的に効いてくるにゃー．
