生成模型与判别模型

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

1. 生成方法：联合概率分布。
2. 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。
3. 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

1. 判别方法：数据直接学习决策函数 f(x) 或条件概率分布。
2. 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。
3. 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

 3.生成模型与判别模型的比较