【摘要】
判別式模型，就是只有乙個模型，你把測試用例往裡面一丟，label就出來了，如svm。生成式模型，有多個模型(一般有多少類就有多少個)，你得把測試用例分別丟到各個模型裡面，最後比較其結果，選擇最優的作為label，如樸素貝葉斯。本文將從生成式模型與判別式模型的概念，適用環境以及具體模型三個方面分析比較這兩個模型，並在最後對列出模型範例，進行範例比較。
【基本概念】
【適用環境】
更進一步，從結果角度，兩種模型都能給你 輸出量(label 或 y etc.)。
【具體模型】
更進一步，可以再理解一下：
生成式模型
判別式模型
【模型範例】
假設你現在有乙個分類問題，x是特徵，y是類標記。用生成模型學習乙個聯合概率分布p(x，y)，而用判別模型學習乙個條件概率分布p(y|x)。用乙個簡單的例子來說明這個這個問題。假設x就是兩個(1或2)，y有兩類(0或1)，有如下如下樣本(1，0)、(1，0)、(1，1)、(2，1)
則 學習到的聯合概率分布(生成模型)如下： 0
111/21/420
1/4而學習到的條件概率分布（判別模型）如下： 0
112/31/320
1在實際分類問題中，判別模型可以直接用來判斷特徵的類別情況，而生成模型，需要加上貝耶斯法則，然後應用到分類中。但是，生成模型的概率分布可以還有其他應用，就是說生成模型更一般更普適。不過判別模型更直接，更簡單。
兩種方法目前交叉較多。由生成式模型可以得到判別式模型，但由判別式模型得不到生成式模型。
關於生成式模型和判別式模型的優缺點的具體分析，
詳見：判別式模型 vs. 生成式模型。
詳址：
生成式模型 vs 判別式模型
對於樣本x，其類別y，即計算 p y x 簡單來說 是對聯合概率 p x,y 進行建模，然後利用貝葉斯公式 p y x p x,y p x 進行計算 樸素貝葉斯 混合高斯模型 隱馬爾科夫模型 hmm 貝葉斯網路 sigmoid belief networks 馬爾科夫隨機場 markov rando...
機器學習之判別式模型和生成式模型
機器學習之判別式模型和生成式模型 判別式模型 discriminative model 是直接對條件概率p y x 建模。常見的判別式模型有線性回歸模型 線性判別分析 支援向量機svm 神經網路 boosting 條件隨機場等。舉例 要確定乙個羊是山羊還是綿羊，用判別模型的方法是從歷史資料中學習到模...
判別式模型與生成式模型
判別式模型 該模型主要對p y x 建模，通過x來 y。在建模的過程中不需要關注聯合概率分布。只關心如何優化p y x 使得資料可分。通常，判別式模型在分類任務中的表現要好於生成式模型。但判別模型建模過程中通常為有監督的，而且難以被擴充套件成無監督的。常見的判別式模型有 logistic regre...