現有的模式分類方法主要分為兩類，一類是生成式方法，比如gmm（ gaussian mixture model）（em）kmeans-聚類 ，這類方法主要反映同類資料之間的相似度；一類是判別式方法，比如svm，主要是反映異類資料之間的差異。fisher kernel是想要結合二者的優勢（1，生成式方法可以處理長度不一的輸入資料，2，判別式方法不能處理長度不一的資料但是分類效果較好。），將生成式模型用於判別式分類器中。
生成演算法嘗試去找到底這個資料是怎麼生成的（產生的），然後再對乙個訊號進行分類。基於你的生成假設，那麼那個類別最有可能產生這個訊號，這個訊號就屬於那個類別。判別模型不關心資料是怎麼生成的，它只關心訊號之間的差別，然後用差別來簡單對給定的乙個訊號進行分類。
參考：
生成模型與判別模型
監督學習的任務就是學習乙個模型，應用這個模型，對給定的輸入 相應的輸出。這個模型一般為決策函式 y f x 或 條件概率分布 p y x 生成方法 定義 由資料學習聯合概率分布 p x,y 然後由p y x p x,y p x 求出概率分布p y x 基本思想是首先建立樣本的聯合概率密度模型p x,...
生成模型與判別模型
監督學習的任務就是學習乙個模型，應用這個模型，對給定的輸入 相應的輸出。這個模型一般為決策函式 y f x 或 條件概率分布 p y x 生成方法 定義 由資料學習聯合概率分布 p x,y 然後由p y x 求出概率分布 p y x 該方法表示了給定輸入 x產生輸出 y的生成關係。典型模型 樸素貝葉...
生成模型與判別模型
判別方法 生成方法 生成模型 判別方法 判別模型生成方法由資料學習聯合概率分布p x,y 然後求出條件概率分布p y x 作為 的模型，即生成模型 p y x p x,y p x 這樣的方法之所以稱為生成方法，是因為模型表示了給定輸入x產生輸出y的生成關係 典型的生成模型有 樸素貝葉斯法和隱馬爾科夫...