生成模型和判别模型

ePCNdg.png

• 生成模型可以产生数据，判别模型只能根据数据做判断。
• 生成模型的指导思想是贝叶斯，判别模型的指导思想是频率学派

生成模型

生成模型（Generaive Model）一般以概率的方式描述了数据的产生方式，通过对模型采样就可以产生数据。 一个简单例子：给定平面上一系列点，我可以认为这些点是根据一个二维高斯分布产生的，这就是一个生成模型，它可以产生数据。我可以用最大似然方法，根据已有的样本估计出模型的参数，再对这个模型进行采样，就可以得到更多的样本，这些样本和之前的样本在空间分布上可能差不多。

对于分类来说：生成模型观察x与c的整体分布，通过对每一个c建模，最终选择能使结果最优的c作为最终分布P(x,c)。训练完模型后，每新来一个数据，就根据所得到的P(x,c)与x的特征，来判断c。

判别模型

判别模型（Discriminative Model）对数据之间的映射关系建模，而不考虑数据本身是如何生成的。判别模型可以根据给定的数据 预测对应的 （回归），或根据不同的映射结果来区分（discriminate）给定的数据 （分类）。但模型自身并不能产生数据 。

对于分类来说：判别模型直接根据x的特征，来对c建模，划定一个整体判别边界。训练完模型后，每新来一个数据，就根据这个边界来判断它应该属于哪一类。

常见模型的分类

生成模型

• 高斯混合模型（和其他类型的混合模型）
• 隐马尔可夫模型
• 贝叶斯网络（例如Naive bayes，Autoregressive模型）
• LDA
• 玻尔兹曼机器（例如受限玻尔兹曼机器，深信念网络）
• 变分自动编码器
• 生成对抗性网络

判别模型

• k-最近邻算法
• 逻辑回归
• 支持向量机
• 最大熵马尔可夫模型
• 条件随机场
• 神经网络