概念辨析-生成模型/产生模型
概念辨析-生成模型/产生模型
机器学习的任务是从属性X预测标记Y，即求概率P(Y|X)；
有监督学习
training data给了正确的答案即label，任务就是建立相应的模型，训练样本集外的数据进行分类预测。
生成式模型
生成模型学习一个联合概率分布P（x，y）
常见的判别方法有 k近邻法、感知机、决策树、逻辑回归、线性回归、最大熵模型、支持向量机(SVM)、提升方法、条件随机场（CRF）
判别式模型
判别模型学习一个条件概率分布P（y|x）
常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型
判别式模型举例：要确定一个羊是山羊还是绵羊，用判别模型的方法是从历史数据中学习到模型，然后通过提取这只羊的特征来预测出这只羊是山羊的概率，是绵羊的概率。
生成式模型举例：利用生成模型是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，在放到绵羊模型中看概率是多少，哪个大就是哪个。
判别式模型是根据一只羊的特征可以直接给出这只羊的概率（比如logistic regression，这概率大于0.5时则为正例，否则为反例），而生成式模型是要都试一试，最大的概率的那个就是最后结果~
无监督学习
对未标记的样本进行训练学习，比发现这些样本中的结构知识。 (KMeans,DL)
版权声明：本文为pigbreeder原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。