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