生成模型与判别模型概述

1、模型学习的任务就是学习得到一个模型，利用这个模型对未知数据进行预测得到相应的输出。模型的形式一般为决策函数：f(x)=y，或者条件概率分布P（y|x）。
2、监督学习可以分为生成方法和判别方法，其所学习得到的模型分别是生成模型和判别模型。
（1）生成模型是通过训练数据学习得到联合概率分布P(x,y)，然后计算求得条件概率分布P(y|x)，作为判别模型，即得到生成模型:
$P(y|x)=\frac{P(x,y))}{P(x))}$
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z朴素贝叶斯法和隐马尔可夫模型。
（2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(YIX〕作为预测的模型，即判别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近邻法、 感知机、 决策树、 逻辑斯谛回归模型、最大精模型、 支持向量机、 提升方法和条件随机场等。
3、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
（1）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于真实模型：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。
（2）判别方法的特点：判别方法直接学习的是条件概率 P(YIX）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(YIX）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。