“学习的同时记录,记录的同时分享,分享的同时交流,交流的同时学习。”
【先给出最直观的理解】
【判别式模型】:要确定一个图片是猫还是狗,用判别模型的方法就是根据数据集X训练模,然后把新的图片输入到模型中,模型给出这个图片是每个类别的概率。
【生成式模型】:生成式模型是对原始数据集X和其标签Y建模,生成其联合概率。然后将新的图片放入是否是猫的模型中,看概率是多少;然后将新的图片放入是否是狗的模型中,看概率是多少。
判别模型的核心思想是:划分数据集。找出原始数据的判别边界,然后预测的时候,找出数据是属于边界的哪一边。
【相当于给出X,让模型告诉你Y】
判别模型比较常见:线性回归,SVM,神经网络,决策树。
生成模型可以理解为把类别,也当成一个特征。然后寻找(X,Y)的分布。
其实感觉生成模型有点点像是无监督学习,可以把标签当成一个特征,然后去学习特征与标签的联合分布P(X,Y)。然后预测的时候,(依然用上面的猫狗分类的例子),分别计算P(新的图片,猫)和P(新的图片,狗)的概率。
【相当于给出X和Y,让模型告诉你这个组合的概率】
常见的模型有:高斯混合模型,朴素贝叶斯模型。
喜欢的话,长按下面的二维码关注下【机器学习炼丹术】,成为炫酷的炼丹师吧!