判别式模型和产生式模型

http://blog.163.com/huai_jing@126/blog/static/1718619832011227757554/

1	判别式模型（discriminative model）	产生式模型（generative model）
特点	寻找不同类别之间的最优分类面，反映的是异类数据之间的差异	对后验概率建模，从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度
区别(假定输入x, 类别标签y)	估计的是条件概率分布(conditional distribution):P(y	x)
联系	由产生式模型可以得到判别式模型，但由判别式模型得不到产生式模型。
常见模型	– logistic regression

– SVMs|
– traditional neural networks
– Nearest neighbor|
–Gaussians, Naive Bayes
–Mixtures of Gaussians, Mixtures of experts, HMMs
–Sigmoidal belief networks, Bayesian networks
– Markov random fields

优点
1）分类边界更灵活，比使用纯概率方法或产生式模型更高级；
2）能清晰的分辨出多类或某一类与其他类之间的差异特征；
3）在聚类、viewpoint changes, partial occlusion and scale variations中的效果较好；
4）适用于较多类别的识别；
5）判别模型的性能比产生式模型要简单，比较容易学习。
1）实际上带的信息要比判别模型丰富；
2）研究单类问题比判别模型灵活性强；
3）模型可以通过增量学习得到；
4）能用于数据不完整（missing data）情况。

缺点
1）不能反映训练数据本身的特性。能力有限，可以告诉你的是1还是2，但没有办法把整个场景描述出来；
2）Lack elegance of generative: Priors, 结构, 不确定性；
3）Alternative notions of penalty functions, regularization, 核函数；
4）黑盒操作: 变量间的关系不清楚，不可视。
1) Tend to produce a significant number of false positives. This is particularly true for object classes which share a high visual similarity such as horses and cows；
2) 学习和计算过程比较复杂。

性能
较好（性能比生成模型稍好些，因为利用了训练数据的类别标识信息，缺点是不能反映训练数据本身的特性）
较差

主要应用
Image and document classification
Biosequence analysis
Time series prediction
NLP(natural language processing)
Medical Diagnosis