weixin_39472683的博客

可以用概率密度函数来表示。生成模型估计的是联合概率分布（joint probability distribution），p(y, x)=p(y|x)*p(x)，由数据学习联合概率密度分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型，即生成模型：P(Y|X)= P(X,Y)/ P(X)。联合分布是能提供更多的信息，但也需要更多的样本和更多计算，尤其是为了更准确估计类别条件分布，需要增加样本的数目，而且类别条件概率的许多信息是我们做分类用不到，因而如果我们只需要做分类任务，就浪费了计算资源。

比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；如果是做实验研究，可以绘制。为了能够评价不同算法的优劣，在Precision和Recall的基础上提出了F1值的概念，来对Precision和Recall进行整体评价。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的。召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的。Precision = 提取出的正确信息条数 / 提取出的信息条数。

模型评价指标不同：由于逻辑回归的目标变量是分类变量，因此需要使用不同的评价指标来评估模型的性能，如准确率、精确率、召回率、F1 值等；而线性回归的目标变量是连续的数值型变量，因此可以使用诸如均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）等指标来评估模型的性能。当然，这并不是绝对的，逻辑回归也可以用于连续值预测，线性回归也可以用于分类任务。而线性回归的输出是连续的数值，其取值范围可以是负无穷到正无穷。总的来说，逻辑回归和线性回归是两个不同的模型，适用于不同类型的问题。