首页 > 代码库 > 生成模型与判别模型
生成模型与判别模型
摘要:
1.定义
2.常见算法
3.区别
4.优缺点
内容:
1.定义
1.1 生成模型:
在概率统计理论中, 生成模型是指能够随机生成观测数据的模型,尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布(joint probability distribution)。在机器学习中,生成模型可以用来直接对数据建模(例如根据某个变量的概率密度函数进行数据采样),也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯准则形成 (参考自:中文wiki)
1.2 判别模型:判别模型是一种基于概率理论的方法,由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型,即判别模型。基本思想是有限样本条件下建立判别函数,不考虑样本的产生模型,直接研究预测模型。
2.常见算法
2.1 生成模型:
典型的生成模型包括:
- 混合高斯模型和其他混合模型
- 隐马尔可夫模型(HMM)
- 随机上下文无关文法
- 朴素贝叶斯分类器(NB)
- AODE分类器
- 潜在狄利克雷分配模型(LDA)
- 有限波尔兹曼机
2.2 判别模型
典型的判别模型包括:
- 感知机
- 逻辑回归
- 支持向量机
- k近邻
- 决策树
3.区别
https://zh.wikipedia.org/wiki/%E5%88%A4%E5%88%AB%E6%A8%A1%E5%9E%8B
http://dataunion.org/8743.html
http://blog.csdn.net/zouxy09/article/details/8195017
生成模型与判别模型
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。