判别式模型和产生式模型 (discriminative model and generative m

判别式模型（discriminative model）

产生式模型（generative model）

特点

寻找不同类别之间的最优分类面，反映的是异类数据之间的差异

对后验概率建模，从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度

区别(假定输入x,类别标签y)

估计的是条件概率分布(conditional distribution) :  P(y|x)

估计的是联合概率分布（joint probability distribution: P(x, y),

联系

由产生式模型可以得到判别式模型，但由判别式模型得不到产生式模型。

常见模型

– logistic regression
– SVMs
– traditional neural networks
– Nearest neighbor

–Gaussians, Naive Bayes 
–Mixtures of Gaussians, Mixtures of experts, HMMs
–Sigmoidal belief networks, Bayesian networks
– Markov random fields

优点

1）分类边界更灵活，比使用纯概率方法或产生式模型更高级；

2）能清晰的分辨出多类或某一类与其他类之间的差异特征；

3）在聚类、viewpoint changes, partial occlusion and scale variations中的效果较好；

4）适用于较多类别的识别；

5）判别模型的性能比产生式模型要简单，比较容易学习。

1）实际上带的信息要比判别模型丰富；

2）研究单类问题比判别模型灵活性强；

3）模型可以通过增量学习得到；

4）能用于数据不完整（missing data）情况。

缺点

1）不能反映训练数据本身的特性。能力有限，可以告诉你的是1还是2，但没有办法把整个场景描述出来；
2）Lack elegance of generative: Priors,结构, 不确定性；
3）Alternative notions of penalty functions, regularization, 核函数；
4）黑盒操作: 变量间的关系不清楚，不可视。

1) Tend to produce a significant number of false positives. This is particularly true for object classes which share a high visual similarity such as horses and cows；
2) 学习和计算过程比较复杂。

性能

较好（性能比生成模型稍好些，因为利用了训练数据的类别标识信息，缺点是不能反映训练数据本身的特性）

较差

主要应用

Image and document classification
Biosequence analysis
Time series prediction

NLP(natural language processing)
Medical Diagnosis