父亲有两个孩子,孩子A和孩子B。孩子A具有特殊的能力,他可以深入学习所有东西。小孩子B也具有特殊的能力他只能学习所见事物之间的差异。
晴天,父亲将两个孩子(孩子A和孩子B)带到动物园。这个动物园很小,只有狮子和大象两种动物。他们从动物园出来后,父亲给他们看了一只动物,问他们“这只动物是狮子还是大象?”
孩子A,孩子突然根据他在动物园内看到的东西,在纸上画了狮子和大象的图像。他将这两个图像与之前站立的动物进行了比较,并根据与图像和动物最接近的匹配进行了回答,他回答:“动物是狮子”。
根据所学的不同属性,孩子B仅知道差异,他回答:“动物是狮子”。
在这里,我们可以看到他们俩都在寻找动物,但是学习的方式和寻找答案的方式完全不同。在机器学习中,我们通常将Kid A称为生成模型,将Kid B称为判别模型。
通常,判别模型为类之间的决策边界建模。生成模型显式地模拟每个类的实际分布。最后,他们俩都在预测条件概率P(动物|特征)。但是,两种模型都学习不同的概率。
生成模型-学习联合概率分布p(x,y)。它借助贝叶斯定理预测条件概率。判别模型学习条件概率分布p(y | x)。这两种模型通常用于有监督的学习问题中。
在数学中
训练分类器涉及估算f:X-> Y或P(Y | X)
生成分类器
假定P(Y),P(X | Y)的一些函数形式
直接从训练数据估计P(X | Y),P(Y)的参数
使用贝叶斯规则计算P(Y | X)
区分性分类器
假设P(Y | X)的一些函数形式
直接从训练数据估计P(Y | X)的参数
例子:
生成分类器
朴素贝叶斯
贝叶斯网络
马尔可夫随机场
隐马尔可夫模型(HMM)
判别分类器
逻辑回归
标量向量机
传统神经网络
最近的邻居