生成模型与判别模型

监督学习方法又可以分成两种：

1)  生产方法(Generative Approach)

2)  判别方法(DiscriminativeApproach)

所学到的模型分别称为生成式模型(Generative Model)和判别式模型(Discriminative Model)。

监督学习的任务就是学习一个模型(分类器)，应用这一模型，对给定的输入预测相应的输出。这个模型的形式有两种：

1. 决策函数： Y=f(X)
2. 条件概率分布： P(Y|X)

生成方法由数据学习联合概率分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型，即生成式模型：

       P(Y|X)=P(X,Y)/P(X)。

这样的方法之所以称为生成方法，是因为模型表达了给定输入X产生输出Y的生产关系。典型的生成模型有：混合高斯模型、朴素贝叶斯法和隐马尔科夫模型。

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)，而判别方法则不能；生成方法的学习收敛速度更快，即当样本容量增加的时候，学到的模型可以更快地收敛到真实的模型；当存在隐变量时，仍可以用生成方法学习，此时判别方法就不能用。

 

判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测模型，即判别式模型。判别方法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、感知机、决策树、逻辑回归模型、最大熵模型、支持向量机、提升方法和条件随机场等。

判别方法的特点：判别方法直接学习的是条件概率P(Y|X)或决策函数f(X)，直接面对预测，往往学习的准确率更高；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。

 

在监督学习中，生成方法和判别方法各有优缺点，适合于不同条件下的学习问题。