生成模型（generative model）和判别模型（discriminative model）

生成模型（generative model）和判别模型（discriminative model）

https://blog.csdn.net/danieljianfeng/article/details/41896323

在看论文和机器学习教材的时候，经常会看到生成模型和判别模型，一致对着两个模型概念很模糊，在这里自己做一个小结。

 

在后面介绍这个两个模型时，我们以分类问题为例，以加深理解。我们都知道，分类问题可以分为两个阶段：推理阶段（inference stage）和决策阶段（decision stage）。

推理阶段：利用训练数据学习得到一个可以计算 的模型。

决策阶段：利用在推理阶段得到的后验概率预测数据的类别。

 

当然不是所有的分类模型都分为这两个阶段，比如判别函数（discriminative function），它会把两个阶段何在一起，直接学习从输入数据x到类别的映射。

1.  例子

我们先来看一个例子，从宏观上了解生成模型和判别模型的区别。

我们的任务是判断一个动物是大象（y=1）还是小狗（y=0）。判别模型是先从训练数据中学习得到判别大象和小狗的决策面（decision boundary），有了这个决策面之后，如果需要分类一个新动物是大象还是小狗，只需要判断它在决策面的哪一边。

另一种方法是生成模型，我们首先观察大象，根据其特征学习一个大象的模型，同样的我们学习得到一个小狗的模型。当我们判别一个新动物时，分别和大象模型和小狗模型比较，哪个动物更像就认为新动物为那个类。

2.   生成模型 

在生成模型中，我们首先需要得到每一个类的条件概率（class-conditional density） ，以及先验概率（prior class probability） ，然后通过贝叶斯定理得到

我们都知道，贝叶斯定理中的分母可以表示成 ，这在每个类别的后验概率中都是一样的，所以我们可以之间计算联合分布，在通过normalize得到后验概率。到目前为止，我们已经得到了后验概率，有了它我们就可是决策理论来决定输入的x属于那个类。比如，输入x，我们计算x关于每一类的后验概率，哪个后验概率最大，就把x归为那个类。

3.  判别模型

判别模型直接学习后验概率 ，然后利用决策理论判断输入数据属于哪个类，逻辑回归（logistic regression）和感知机（perceptron algorithm）就是典型的判别模型。

4.  判别函数

判别函数和判别模型在名字上非常的像，但存在一定的区别，生成模型和判别模型都是从概率的角度进行预测，而判别函数不涉及概率，而是从训练数据中直接学习得到输入数据x到类别的映射，而且把推理阶段和决策阶段合在一起进行。

现在举一个二分类问题的例子，f(.)是一个二值函数，当f=0时表示类别1，f=1时表示类别2，这个函数f就是判别函数，它可以把输入数据映射到0和1两个类。

5.   总结 

生成模型的要求比较高，需要学习得到输入数据x和类别的联合分布。在实际的应用中，x的维度往往非常的高，只有在非常大的训练数据下我们才能得到比较合理的类条件分布（class-conditional distribution）。庆幸地是，先验概率 比较容易计算，只需计算训练样本中每一类数据占整个训练数据的百分比。虽然生成模型的计算比较复杂，需要学习每一个类的分布，但就可以反映同一类数据本身的一些特点。

如果仅仅是处理分类问题，已知 ，就可以很好的解决这个问题，生成模型需要计算类条件概率和先验概率，这就增加的计算量。相反，判别模型就是直接去求解 ，学习不同类别之间的最优分类面，反映不同类数据之间的差异。但这类模型不能反映数据本身的特点，只能告诉你该数据属于哪个类，而不能反映整个场景的情况。

最简单的判别函数只是学到从输入空间到类别空间的一个映射，不涉及任何的概率，因此该方法不能量化该数据属于某个类的可能性。此外，该方法把推理阶段和决策阶段的任务合在一起进行，但在实际过程中我们需要更加不同的应用选择不同的决策方法。

6. 参考

Bishop《PRML》

Andrew Ng,  handout of《machine learning》