1.生成模型
生成模型的目标是学习数据的分布,然后能够生成新的数据实例。它们通常用于数据建模、图像生成、文本生成等领域。
1.1工作原理
- 生成方法:联合概率分布。
- 学习数据分布:生成模型通过训练数据学习数据的潜在分布。
- 生成新数据:利用学习到的分布,生成新的数据实例。
1.2典型算法
- 高斯混合模型(GMM)
- 朴素贝叶斯
- 隐马尔科夫(HMM)
2.判别模型
判别模型的目标是直接从数据中学习决策边界,以便对新的数据实例进行分类或回归。它们通常用于分类、回归、聚类等领域。
2.1工作原理
- 判别方法:数据直接学习决策函数 f(x) 或条件概率分布。
- 学习决策边界:判别模型通过训练数据学习如何区分不同的类别或预测连续值。
- 进行预测:利用学习到的决策边界,对新的数据实例进行分类或回归。
2.2典型算法
- 感知机(Perceptron)
- K近邻
- 决策树
- logistic回归
- 支持向量机(SVM)
- 条件随机场
- Adaboost