内容简介:在机器学习中,对于监督学习我们可以将其分为两类模型:判别式模型和生成式模型。可以简单地说,生成式模型是针对联合分布进行建模,而判别式模型则针对条件分布建模。从感性上认识,生成式能学习到更多信息,而判别式则较少,就好比学习英语,有类人只学会听懂这是英语,有类人学会了听懂这是英语并且知道说的是什么。另外,生成式模型在一定条件下也可以转换成判别式模型,比如通过贝叶斯公式进行转换。假设有训练样本:(1,0)、(1,0)、(2,0)、(2, 1),则
判别&生成
在机器学习中,对于监督学习我们可以将其分为两类模型:判别式模型和生成式模型。可以简单地说,生成式模型是针对联合分布进行建模,而判别式模型则针对条件分布建模。
从感性上认识,生成式能学习到更多信息,而判别式则较少,就好比学习英语,有类人只学会听懂这是英语,有类人学会了听懂这是英语并且知道说的是什么。另外,生成式模型在一定条件下也可以转换成判别式模型,比如通过贝叶斯公式进行转换。
常见生成式模型
-
混合高斯模型,估计了不同输入和类别的联合分布。
-
朴素贝叶斯,模型训练时采用联合概率分布积。
-
隐马尔科夫模型,建立了状态序列和观察序列的联合分布。
-
贝叶斯网络,概率图模型中的有向图网络,对联合分布建模,由各自局部条件概率分布相乘。
-
马尔科夫随机场,概率图模型中无向图网络,同样对联合分布建模,分解为极大团上势函数的乘积。
常见判别式模型
-
条件随机场,在观测序列上对目标序列进行建模。
-
线性回归,在X的条件下Y的分布。
-
逻辑回归,在x的条件下两个分类的概率。
-
支持向量机,它的训练过程是在学习分类边界。
-
传统神经网络,同样是学习分类边界。
一个简单例子
假设有训练样本:(1,0)、(1,0)、(2,0)、(2, 1),则
-
生成式模型学习的是联合概率p(x,y),
y=0 | y=1 | |
---|---|---|
x=1 | 1/2 | 0 |
x=2 | 1/4 | 1/4 |
-
判别式模型学习的是条件概率p(y|x),
y=0 | y=1 | |
---|---|---|
x=1 | 1 | 0 |
x=2 | 1/2 | 1/2 |
对比图
上图左边为判别式而右边为生成式,可以很清晰地看到差别,判别式模型是在寻找一个决策边界,通过该边界来将样本划分到对应类别。而生成式则不同,它学习了每个类别的边界,它包含了更多信息,可以用来生成样本。
生成式特点
-
对联合概率建模,学习所有分类数据的分布。
-
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。
-
推断时性能较差。
-
一定条件下能转换成判别式。
判别式特点
-
对条件概率建模,学习不同类别之间最优边界。
-
捕捉不同类别特征的差异信息,不学习本身分布信息,无法反应数据本身特性。
-
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。
-
预测时拥有较好性能。
-
无法转换成生成式。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 机器学习判别式与生成式
- 机器学习中的判别式模型和生成式模型
- CVPR 2019 | 基于级联生成式与判别式学习的乳腺钼靶微钙化检测
- 生成模型学习笔记:从高斯判别分析到朴素贝叶斯
- MySQL如何判别InnoDB表是独立表空间还是共享表空间
- 鲁棒异构判别分析的单样本人脸识别(文末附文章地址)
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Base64 编码/解码
Base64 编码/解码
RGB HSV 转换
RGB HSV 互转工具