机器学习之生成式模型与判别式模型的区别

根本区别在于是否计算了联合分布 P ( X , Y ) P(X,Y) P(X,Y)和是否比较了模型输出的概率大小.

<>生成式模型的特点

* 对联合分布进行建模，然后通过朴素贝叶斯来求条件概率，选择使得条件概率最大的 Y Y Y
* 可以还原出联合概率分布 P ( X , Y ) P(X,Y) P(X,Y)
* 学习收敛速度快，当样本容量增加时，学到的模型可以更快地收敛于真实模型
* 应对存在隐变量（不可观测的变量）的场景
* 相比于判别式模型，往往模型效果差一些
* 学习到的数据本身信息更多，能反应数据本身特性
* 学习成本较高，需要更多的计算资源
* 需要的样本数更多，样本较少时学习效果较差
<>判别式模型的特点

* 不能还原出联合概率分布 P ( X , Y ) P(X,Y) P(X,Y)
* 不能处理存在隐变量的场景
* 由于直接学习的是条件概率 P ( X ∣ Y ) P(X|Y) P(X∣Y)或者决策函数 f ( X ) f(X) f(X)，往往学习的准确率更高
* 由于直接学习的是 P ( X ∣ Y ) P(X|Y) P(X∣Y)或者 f ( X ) f(X) f(X)
，可以对数据进行各种程序熵的抽象、定义特征并使用特征，可以简化学习问题
* 对条件概率建模，学习不同类别之间的最优边界
* 捕捉不同类别特征的差异信息，不学习本身分布信息，无法反映数据本身特性
* 学习成本较低，需要的计算资源较少
* 需要的样本数可以较少，少样本也能很好学习
<>典型的模型

* 常见的判别式模型有：线性回归、限行判别分析、SVM、神经网络、K近邻、决策树、最大熵模型、boosting、条件随机场
* 常见的生成式模型: HMM、朴素贝叶斯、GMM、LDA等

• « 上一篇：机器学习/深度学习常见算法实现(秋招版)
• » 下一篇：机器学习1