生成模型与判别模型
2013-10-20 16:30
113 查看
监督学习的任务就是学习一个模型,应用这个模型,对给定的输入预测相应的输出。这个模型一般为决策函数:Y=f(X) 或 条件概率分布:P(Y|X)。
监督学习的学习方法可以分为生成方法(generative approach)和判别方法(discriminative approach)。所学到的模型分别叫生成模型和判别模型。
生成方法[/b]
定义[/b]
由数据学习联合概率分布P(X,Y), 然后由P(Y|X)=
求出概率分布P(Y|X)。该方法表示了给定输入X产生输出Y的生成关系。
典型模型[/b][/b]
朴素贝叶斯方法、隐马尔可夫模型
特点[/b][/b]
生成方法可以还原出联合概率分P(X,Y),而判别方法不能;生成方法的学习收敛速度更快,当样本容量增加的时候,学到的模型可以更快的收敛于真实模型;当存在隐变量时,仍可以利用生成方法学习,此时判别方法不能用。
注释[/b][/b]
当我们找不到引起某一现象的原因的时候,我们就把这个在起作用,但是,无法确定的因素,叫“隐变量”
判别方法[/b]
[/b] 定义[/b][/b]
由数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)作为预测模型,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。
典型模型[/b][/b]
k近邻法、感知机、决策树、逻辑斯谛回归模型、最大熵模型、支持向量机、提升方法、条件随机场
特点[/b][/b]
判别方法直接学习的是决策函数Y=f(X)或条件概率分布P(Y|X),直接面对预测,往往学习准确率更高;由于直接学习P(Y|X)或f(X),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。
监督学习的学习方法可以分为生成方法(generative approach)和判别方法(discriminative approach)。所学到的模型分别叫生成模型和判别模型。
生成方法[/b]
定义[/b]
由数据学习联合概率分布P(X,Y), 然后由P(Y|X)=
求出概率分布P(Y|X)。该方法表示了给定输入X产生输出Y的生成关系。
典型模型[/b][/b]
朴素贝叶斯方法、隐马尔可夫模型
特点[/b][/b]
生成方法可以还原出联合概率分P(X,Y),而判别方法不能;生成方法的学习收敛速度更快,当样本容量增加的时候,学到的模型可以更快的收敛于真实模型;当存在隐变量时,仍可以利用生成方法学习,此时判别方法不能用。
注释[/b][/b]
当我们找不到引起某一现象的原因的时候,我们就把这个在起作用,但是,无法确定的因素,叫“隐变量”
判别方法[/b]
[/b] 定义[/b][/b]
由数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)作为预测模型,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。
典型模型[/b][/b]
k近邻法、感知机、决策树、逻辑斯谛回归模型、最大熵模型、支持向量机、提升方法、条件随机场
特点[/b][/b]
判别方法直接学习的是决策函数Y=f(X)或条件概率分布P(Y|X),直接面对预测,往往学习准确率更高;由于直接学习P(Y|X)或f(X),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。
相关文章推荐
- 生成模型与判别模型
- 统计学习:泛化能力、生成模型、判别模型、分类、标注和回归问题
- 判别模型 和 生成模型
- 生成模型与判别模型的区别
- 监督学习中的“生成模型”和“判别模型”
- 生成模型与判别模型
- 生成模型 VS 判别模型 (含义、区别、对应经典算法)
- 判别模型和生成模型
- 生成模型与判别模型
- [转] 判别模型和生成模型
- 生成模型与判别模型
- 判别模型 和 生成模型
- 判别模型(Discriminative model)和生成模型(Generative model)
- 判别模型 和 生成模型
- 生成模型与判别模型
- 生成模型,判别模型,以及朴素贝叶斯
- 生成模型与判别模型优缺点
- 生成模型中的高斯判别分析和朴素贝叶斯
- 生成模型和判别模型
- 判别模型 和 生成模型