本文介绍了产生式模型和判别式模型在机器学习中的区别，包括它们的基本概念、常见模型以及优缺点。通过实例，阐述了判别式模型直接输出类别概率，而生成式模型需要比较不同模型概率的特点。总结了在数据分布假设、训练样本需求、模型拟合和无标签数据利用等方面的差异。
近来看到贝叶斯分类器，其中有一个知识点提及产生式模型和判别式模型，查阅了一番资料终于理解透彻了，特此记录。
产生式模型和判别式模型区分
二者是分类器中常遇到的概念，产生式模型估计它们的联合概率分布P(x,y)，判别式模型估计条件概率分布P(y|x)。
判别式模型常见的主要有：
Logistic Regression
SVM
Traditional Neural Networks
Nearest Neighbor
CRF
Linear Discriminant Analysis
Boosting
Linear Regression
产生式模型常见的主要有：
Gaussians
Naive Bayes
Mixtures of Multinomials
Mixtures of Gaussians
Mixtures of Experts
HMMs
Sigmoidal Belief Networks, Bayesian Networks
Markov Random Fields
Latent Dirichlet Allocation
以上就是从理念上对二者进行划分，但对于不少读者而言应该还是像我一样摸不着头脑，
最低0.47元/天 解锁文章
2323
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
