标签：1.2 决策树 概率分布 朴素贝叶斯分类 title int blog details 分类器
摘要：
1.定义
2.常见算法
3.区别
4.优缺点
内容：
1.定义
1.1 生成模型：
在概率统计理论中, 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布（joint probability distribution）。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯准则形成 （参考自：中文wiki）
1.2 判别模型：判别模型是一种基于概率理论的方法，由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。基本思想是有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。
2.常见算法
2.1 生成模型：
典型的生成模型包括:
2.2 判别模型
典型的判别模型包括：
3.区别
https://zh.wikipedia.org/wiki/%E5%88%A4%E5%88%AB%E6%A8%A1%E5%9E%8B
http://dataunion.org/8743.html
http://blog.csdn.net/zouxy09/article/details/8195017
标签：1.2 决策树 概率分布 朴素贝叶斯分类 title int blog details 分类器
原文地址：http://www.cnblogs.com/arachis/p/6213234.html
