Python与机器学习之模型结构(生成学习算法)

Python与机器学习之模型结构(生成学习算法)

引言

在前面我们谈论到的算法都是在给定x的情况下直接对p(y|x;Θ)进行建模。例如，逻辑回归利用hθ(x) = g(θ^Tx)对p(y|x;Θ)建模。
如果换个思路，首先根据大象(y=1)的特征来学习出一个大象的模型，然后根据狗(y=0)的特征学习出狗的模型，最后对于一个新的样本，提取它的特征先放到大象的模型中求得是大象的概率，然后放到狗的模型中求得是狗的概率，最后我们比较两个概率哪个大，即确定这个动物是哪种类型。也即求p(x|y)(也包括p(y))，y为输出结果，x为特征。
上面介绍了那么多，现在我们来试着定义这两种解决问题的方法：

• 判别学习算法（discriminative learning algorithm）：直接学习p(y|x)或者是从输入直接映射到输出的方法

• 生成学习算法（generative learning algorithm）：对p(x|y)(也包括p(y))进行建模。

好文章

查阅了那么多的资料以及看斯坦福机器学习课程，发现有位大牛已经总结整理好了。
- 生成学习算法(Generative Learning algorithms)

内容有:
- 高斯判别分析(Gaussian Discriminant Analysis)
- 朴素贝叶斯(Naive Bayes)
- 拉普拉斯平滑(Laplace smoothing)

总结

遇到分类问题时，朴素贝叶斯往往运作良好，正因为它简单清晰，值得第一步算法尝试。

如果您看到这篇文章有收获或者有不同的意见，欢迎点赞或者评论。
python群:190341254
丁。