生成模型与判别模型区别

概念理解

监督学习方法可分为两大类，即生成方法与判别方法，它们所学到的模型称为生成模型与判别模型。

• 判别模型：判别模型是学得一个分类面（即学得一个模型），该分类面可用来区分不一样的数据分别属于哪一类；
• 生成模型：生成模型是学得各个类别各自的特征（便可当作学得多个模型），可用这些特征数据和要进行分类的数据进行比较，看新数据和学得的模型中哪一个最相近，进而肯定新数据属于哪一类。

举个例子：若分类目标是对图像中的大象和狗进行分类。判别方法学得一个模型，这个模型多是判断图中动物鼻子的长度是否大于某一阈值，若大于则判断为大象，不然判断为狗；生成学习则分别构建一个大象的特征模型与狗的特征模型，来了一个新图像后，分别用大象模型与狗模型与其进行比较，若新图像与狗类似度更高则判断为狗，不然判断为大象。

相关数学理论

若已知某分类任务的生成模型，是能够求得该任务的判别模型，反之则不行。这和几率论中的全几率密度函数以及边沿几率密度函数是一致的（即已知全几率密度可求得边沿几率密度，但已知边沿几率密度不能求得全几率密度）。

例如：若如今已知一个二分类问题得到的5个训练数据为：(1,0)，(1,0)，（2,0），（2,1），（2,1） 
一、全几率分布P(X,Y)以下表所示

X\Y	0	1
1	2/5	0
2	1/5	2/5

注意：根据全几率分布，能够推导出以下边沿几率分布P(Y|X)以及P(X)。

二、边沿几率分布P(Y|X)以下表所示

X\Y	0	1
1	1	0
2	1/3	2/3

注意：根据边沿几率分布，不能够推导出全几率分布。例如，此例中边沿几率分布对应的全几率分布可能以下：

X\Y	0	1
1	4/7	0
2	1/7	2/7

由上述例子可知，生成模型的信息比判别模型信息要更全一些。

两类方法的特色

生成方法一般须要无穷多样本，进而学习一个联合几率分布P(X,Y)，而后求出条件几率分布P(Y|X)=P(X,Y)/P(X)来对新输入的数据进行分类。

此类方法之因此成为生成方法，是由于模型表示了给定输入X产生输出Y的生成关系。典型的生成模型有：朴素贝叶斯法、马尔科夫模型、高斯混合模型。这种方法通常创建在统计学和Bayes理论的基础之上。

生成方法的特色：

• 从统计的角度表示数据的分布状况，可以反映同类数据自己的类似度;
• 生成方法还原出联合几率分布，而判别方法不能；
• 生成方法的学习收敛速度更快、即当样本容量增长的时候，学到的模型能够更快地收敛于真实模型；
• 当存在隐变量时，仍然能够用生成方法学习，此时判别方法不能用

判别方法能够根据有限个样本得到一个判别函数（即判别模型），而后用它来对新数据进行分类。典型的判别模型包括：k近邻法、感知机、决策树、逻辑斯蒂回归模型、最大熵模型、支持向量机、boosting方法和条件随机场等。

判别方法的特色：

• 判别方法寻找不一样类别之间的最优分类面，反映的是异类数据之间的差别;
• 判别方法利用了训练数据的类别标识信息，直接学习的是条件几率P(Y|X)或者决策函数f(X)，直接面对预测，每每学习的准确率更高；
• 因为直接学习条件几率P(Y|X)或者决策函数f(X)，能够对数据进行各类程度上的抽象、定义特征并使用特征，所以能够简化学习问题；
• 缺点是不能反映训练数据自己的特性。

两类方法的应用

根据所获取的数据，两类方法都有各自的用场。例如：咱们若只有人的侧面数据，咱们固然不知道这我的是否长得帅、美，但咱们可作（男、女）、（有耳、无耳）分类。用生成模型来作的话，则表示这我的所有信息都有了，固然能作的分类更多了。

 

转载自：https://blog.csdn.net/quintind/article/details/77923147