概念辨析-生成模型/产生模型

机器学习的任务是从属性X预测标记Y，即求几率P(Y|X)；

有监督学习

training data给了正确的答案即label，任务就是创建相应的模型，训练样本集外的数据进行分类预测。

生成式模型

生成模型学习一个联合几率分布P（x，y）
常见的判别方法有 k近邻法、感知机、决策树、逻辑回归、线性回归、最大熵模型、支持向量机(SVM)、提高方法、条件随机场（CRF）

判别式模型

判别模型学习一个条件几率分布P（y|x）
常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型

判别式模型举例：要肯定一个羊是山羊仍是绵羊，用判别模型的方法是从历史数据中学习到模型，而后经过提取这只羊的特征来预测出这只羊是山羊的几率，是绵羊的几率。
生成式模型举例：利用生成模型是根据山羊的特征首先学习出一个山羊的模型，而后根据绵羊的特征学习出一个绵羊的模型，而后从这只羊中提取特征，放到山羊模型中看几率是多少，在放到绵羊模型中看几率是多少，哪一个大就是哪一个。

判别式模型是根据一只羊的特征能够直接给出这只羊的几率（好比logistic regression，这几率大于0.5时则为正例，不然为反例），而生成式模型是要都试一试，最大的几率的那个就是最后结果~

无监督学习

对未标记的样本进行训练学习，比发现这些样本中的结构知识。 (KMeans,DL)