生成模型与判别模型

标签：学习方法   增加   IV   逻辑   随机   nat   准确率   存在   支持向量机   

概念

监督学习方法可以分为生成方法(generative approach)和判别方法(discriminative approach),学习到的模型对应地可分为生成模型(generative model)和判别模型(discriminative model).生成模型的计算过程为，先根据既有数据学习出联合概率分布\(P(X,Y)\),然后再根据输入特征的分布\(P(X)\)来学习出条件概率分布，表达式为：
\[ P(Y|X) = \frac{P(X,Y)}{P(X)} \tag{1} \]
而判别模型则是求出决策函数之后，根据决策函数输出对应的结果，也可直接学习出条件概率分布来预测，但是，判别模型不会去学习数据的联合概率分布.
\[ Y = f(X) \tag{2} \]

特点

生成模型描述了给定输入\(X\)产生输出\(Y\)的生成关系，特点：

• 可以还原出数据的联合概率分布
• 学习收敛速度比较快，即在样本容量增加的时候，模型可以更快地收敛于真实的模型
• 存在隐变量时，仍然可以用生成方法来学习

判别模型能够直接用决策函数或者条件概率分布来预测结果，但是不学习数据的联合概率分布，特点：

• 不能还原数据的联合概率分布
• 学习的准确率比较高
• 能对数据进行各种程度上的抽象，定义特征并使用特征，可以简化问题
• 存在隐变量时，不能使用判别模型

典型模型

生成模型：

• 朴素贝叶斯法
• 隐马尔可夫模型

判别模型：

• k近邻法
• 支持向量机
• 感知机
• 决策树
• 逻辑斯谛回归模型
• 最大熵模型
• 提升方法
• 条件随机场

生成模型与判别模型

标签：学习方法   增加   IV   逻辑   随机   nat   准确率   存在   支持向量机   

原文地址：https://www.cnblogs.com/excellent-ship/p/9201139.html