機器學習中生成模型和判別模型是什么

本篇內容介紹了“機器學習中生成模型和判別模型是什么”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

兩個模型是啥

我們從幾句話進入這兩個概念： 
1、機器學習分為有監督的機器學習和無監督的機器學習； 
2、有監督的機器學習就是已知訓練集數據的類別情況來訓練分類器，無監督的機器學習就是不知道訓練集的類別情況來訓練分類器； 
3、所以說，有監督的機器學習可以抽象為一個分類 task，而無監督的基本完成的是聚類； 
4、有監督的機器學習中，我們可以概述為通過很多有標記的數據，訓練出一個模型，然后利用這個，對輸入的X進行預測輸出的Y。這個模型一般有兩種：

決策函數：Y=f(X) 
條件概率分布：P(Y|X)

5、根據通過學習數據來獲取這兩種模型的方法，我們可以分為判別方法和生成方法；

6、概念正式介紹

判別方法：由數據直接學習決策函數Y=f(X)或條件概率分布P(Y|X)作為預測模型，即判別模型。判別方法關心的是對于給定的輸入X，應該預測什么樣的輸出Y。

數據直接學習決策函數 Y=f(X) 或條件概率分布 P(Y|X) 得到的預測模型，就是判別模型；

生成方法：由數據學習聯合概率分布P(X,Y), 然后由P(Y|X)=P(X,Y)/P(X)求出概率分布P(Y|X)作為預測的模型。該方法表示了給定輸入X與產生輸出Y的生成關系

P(Y|X)作為的預測的模型就是生成模型；

兩個模型的范例

生成模型：樸素貝葉斯(Naive Bayes)、隱馬爾可夫（EM 算法） 
判別模型：k近鄰法、感知機、決策樹、邏輯回歸、線性回歸、最大熵模型、支持向量機(SVM)、提升方法、條件隨機場（CRF），神經網絡

對比

1、生成模型可以還原出聯合概率分布（還原數據本身相似度），而判別方法不能； 
2、生成方法的學習收斂速度更快，當樣本容量增加的時候，學到的模型可以更快的收斂于真實模型； 
3、當存在隱變量時，仍可以利用生成方法學習，此時判別方法不能用； 
4、判別學習不能反映訓練數據本身的特性，但它尋找不同類別之間的最優分類面，反映的是異類數據之間的差異，直接面對預測，往往學習的準確率更高，由于直接學習P(Y|X)或Y=f（X），從而可以簡化學習； 
5、簡單的說，生成模型是從大量的數據中找規律，屬于統計學習；而判別模型只關心不同類型的數據的差別，利用差別來分類。

判別模型  是在你生父身高超過180的已知條件下，預測你身高會不會超過180。如果你生父比180高，那么你比180高的概率會增加。但是全世界人身高的概率分布暫時并沒有改變。（為了科學的嚴謹，這里爸爸已經改成了生父而非父親）

生成模型  則是隨機賜予你一個成年后的最高身高。身高超過180的概率是多少，這個概率只能依照全世界所有成人的身高的頻率分布來決定。

“機器學習中生成模型和判別模型是什么”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！