一、判别方法与生成方法

监督学习方法可分为判别方法和生成方法。

判别方法(Discriminative approach)

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。判别方法关心的是对于给定的输入X,应该预测什么样的输出Y。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。典型的判别模型包括k近邻,感知级,决策树,支持向量机等。

生成方法(Generative approach)

由数据学习联合概率密度分布P(X,Y),然后由P(Y|X)=P(X,Y)/P(X)求出条件概率分布P(Y|X)作为预测的模型,即生成模型。该方法表示了给定输入X与产生输出Y的生成关系。基本思想是首先建立样本的联合概率概率密度模型P(X,Y),然后再得到后验概率P(Y|X),再利用它进行分类。在这个过程需要求出训练数据的概率分布P(X),所以只要在数据样本非常多的时候,得到的P(X)才能很好的描述训练数据真正的分布【比如抛硬币】。生成模型用于随机生成的观察值建模,特别是在给定某些隐藏参数情况下。典型的生成模型有:朴素贝叶斯和隐马尔科夫模型等。

二、判别模型与生成模型

1.从直观可知:

生成模型:源头导向型,关注数据时如何生成的,然后再对一个信号进行分类。(信号输入时,生成模型判断哪个类别最有可能产生这个信号,则这个信号就属于哪个类别。

判别模型:结果导向型,关注类别之间的差别,并不关心样本的数据时怎么生成的,根据样本之间的“分界线"来简单对给定的样本进行分类。

2.从公式上可知:

生成模型:学习时先得到P(X,Y),根据公式继而得到P(Y|X);预测时应用最大后验概率法(MAP)得到预测类别Y。

判别模型:直接学习得到P(Y|X),再利用MAP得到Y;或者直接学习得到一个映射函数Y=F(X)

3.生成模型与判别模型的区别与联系

生成模型与判别模型的区别与理解相关推荐

  1. 生成模型与判别模型的区别

    引入 监督学习的任务就是学习一个模型(或者得到一个目标函数),应用这一模型,对给定的输入预测相应的输出.这一模型的一般形式为一个决策函数Y=f(X),或者条件概率分布P(Y|X). 监督学习方法又可以 ...

  2. 生成模型和判别模型直接的区别

    作者:JasonDing 链接:https://www.jianshu.com/p/d195b887a32e 來源:简书 简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处. 概率图分 ...

  3. 生成模型与判别模型区别

    概念理解 监督学习方法可分为两大类,即生成方法与判别方法,它们所学到的模型称为生成模型与判别模型. 判别模型:判别模型是学得一个分类面(即学得一个模型),该分类面可用来区分不同的数据分别属于哪一类: ...

  4. 生成模型与判别模型详解

    本篇会详细讲解生成模型和判别模型的区别,篇幅稍长 作者:zouxy09 来源:https://blog.csdn.net/zouxy09/article/details/8195017 决策函数Y=f ...

  5. 生成模型和判别模型学习

    生成模型和判别模型 在机器学习中,一般将学习方式分为监督式学习和非监督式学习方式. 回忆一下,监督学习的任务就是从数据中学习一个模型,应用这一模型,对给定的输入X预测相应的输出Y.这个模型的一般形式为 ...

  6. 生成模型 VS. 判别模型 Logistic 回归 VS. Softmax 回归

    生成模型 VS. 判别模型 从概率分布的角度考虑,对于一堆样本数据,每个均有特征Xi对应分类标记yi. 生成模型:学习得到联合概率分布P(x,y),即特征x和标记y共同出现的概率,然后求条件概率分布. ...

  7. 理解生成模型与判别模型

    其它机器学习.深度学习算法的全面系统讲解可以阅读<机器学习-原理.算法与应用>,清华大学出版社,雷明著,由SIGAI公众号作者倾力打造. 书的购买链接 书的勘误,优化,源代码资源 导言 我 ...

  8. [work] 生成模型和判别模型的理解

    转载自:https://blog.csdn.net/zouxy09/article/details/8195017 https://blog.csdn.net/lk7688535/article/de ...

  9. 生成模型和判别模型_生成模型和判别模型简介

    生成模型和判别模型 Intro 介绍 Recently I gave a presentation at work, where I explained how I solved some probl ...

最新文章

  1. Be a person
  2. 图解5G NR帧结构
  3. AttributeError: ‘SVC‘ object has no attribute ‘_probA‘
  4. mybatis的$和#详解分析
  5. 集成Tomcat环境到Eclipse中
  6. 它估值 25 亿!被马云领投,是华为“老战友”,网友:也许股价能超茅台!
  7. deepin系统安装成功了之后重启电脑没有deepin启动选项的简单解决办法
  8. Qunee学习开发体会
  9. SI4463低功耗测试-STC单片机一样可以超低功耗
  10. 古今地名对照总表 按笔划数排序 强烈推荐的资料
  11. 安卓开发旅之百度导航
  12. font-spider压缩web font字体
  13. 《刻意练习》读书心得 驳斥1万小时定律、有目的的练习、自我实现的预言、走出舒适区
  14. 热门算法总结 —— DPCA
  15. 用 Python 写软件原来这么简单!
  16. JAVA最佳学习方法
  17. response输出文件的时候,解决迅雷下载的问题
  18. mkdocs 部署教程
  19. 基于机器学习的古代汉语自动分词标注算法及语料库研究
  20. 虚拟手机硬件环境,Xposed的特征修改,APP读取虚拟硬件信息,伪造数据读取硬件标识信息

热门文章

  1. 数据库中间件技术的研究与应用
  2. python实现自动点赞——实践_2022-01-02
  3. js模拟群聊天php,jquery仿微信聊天界面实例分享
  4. Android Mediatek 增加Recovery模式下读cmdline的强制工厂重置选项
  5. 苹果电脑安装linux系统教程,如何在MacBook Pro Retina上安装Linux
  6. 理息计算机,会计电算化在企业管理信息系统中的地位和作用
  7. 2021年中国生姜种植面积、产量及主要贸易地区分析[图]
  8. 计算机仿真专业大学,虚拟现实应用技术专业大学排名 全国排行榜
  9. Ubuntu 18.04 右上角音量图标消失问题解决方法
  10. 移动端适配推荐flexible和 postcss-px2rem