首页 > 试题广场 >

生成模型和判别模型的区别

[问答题]

判别模型

判别模型由数据直接学习决策函数f(X)或者条件概率分布作为预测的模型。它关心的是对给定的输入X,应该预测什么样的输出Y。典型的判别模型包括:K近邻法、感知机、决策树、逻辑斯谛回归、最大熵模型、支持向量机、提升方法、条件随机场。

判别方法的特点:

  • 直接学习的是条件概率,直接面对预测,往往学习的准确率很高;
  • 由于直接学习,可以对数据进行各种程度上的抽象、定义特征并使用特征,因此可以简化学习问题。

生成模型

生成模型由数据学习联合概率分布P(X,Y),然后求出条件概率分布作为预测的模型:

因为模型表示了给定输入X产生输出Y的生成关系,所以被称为生成模型。典型的生成模型有:朴素贝叶斯、隐马尔科夫模型

生成方法的特点:

  • 生成方法可以还原出联合概率分布P(X, Y),而判别方法不能;
  • 生成方法的学习收敛速度快,即当样本容量增加时,学到的模型可以很快收敛于真实模型;
  • 当存在隐变量时,仍可以用生成方法学习,此时判别方法不能用。
编辑于 2019-04-24 09:27:31 回复(0)
生成模型和判别模型的区别:
判别模型是直接对条件概率进行建模,例如决策树、支持向量机、线性模型神经网络等
生成模型是通过对先对联合概率分布建模,然后再获得条件概率。例如:贝叶斯分类器等

发表于 2019-07-26 17:09:17 回复(0)