总结
- 文章来源: CSDN@LawsonAbs
1.生成式模型和判别式模型
1.1 共同点
二者的目的都是要计算在给定条件(也就是特征)x的情况下,属于某个类别 y i y_i yi的概率 p y i p_{y_i} pyi,写成数学式子也就是计算条件概率 P ( y i ∣ x ) P(y_i|x) P(yi∣x)。
1.2 不同点
虽然目的相同,但是计算方法却有所区别,下表给出二者的比较。
比较项 | 生成式模型 | 判别式模型 |
---|---|---|
建模对象 | 联合分布P(x,y) | 条件分布P(y|x) |
计算公式 | P ( Y ∥ X ) = P ( X , Y ) P ( X ) P(Y\|X)=\frac{P(X,Y)}{P(X)} P(Y∥X)=P(X)P(X,Y) | 直接计算 |
模型集合 | 朴素贝叶斯,贝叶斯网络,隐马尔可夫模型,LDA | 最大熵模型,条件随机场 |
下面给出一张图【《百面》的P125】,用于解释整个计算的流程:
2 生成式模型
2.1 主要思想
- 首先构建并学习输入特征和输出类别的联合分布
- 然后利用贝叶斯公式推导出输出类别的后验分布
- 最后结合决策损失函数构建判别函数进行分类决策
2.2 实例
朴素贝叶斯分类器。
3 判别式模型
3.1 主要思想
- 直接构建并学习出输出类别在输入特征条件下的条件分布
- 结合决策损失函数构建判别函数进行分类决策
3.2 实例
逻辑回归。
参考资料
- 《百面机器学习算法》