按照求解的方法，可以將分類演算法分為判別模型和生成模型。給定特定的向量x與標籤值y，生成模型對聯合概率p(x,y)建模，判別模型對條件概率p(y|x)進行建模。
上述含義可以這麼理解：生成模型對條件概率p(x|y)建模，判別模型對條件概率p(y|x)建模。前者可以用來根據標籤值y生成的隨機的樣本資料x，而後者則根據樣本特徵向量x的值判斷它的標籤值y。
常見的生成模型有：貝葉斯分類器、高斯混合模型、隱馬爾可夫模型、受限玻爾茲曼機、生成對抗網路等。
典型的判別模式有：決策樹、knn演算法、人工神
經網路、支援向量機、logistic回歸和adaboost演算法等。
——《機器學習與應用》-雷明版
生成模型和判別模型區別
在討論生成模型和判別模型之前，我們先回顧一下機器學習要解決的兩類問題。假設x是輸入的特徵 feature y是 的結果 分類是label，回歸是value 1.分類 p y x 即根據輸入特徵求目標分類。2.回歸 y f x 即根據輸入特徵直接求值。由於分類問題和回歸可以相互轉化，下文我們以分類為例...
生成模型和判別模型的區別
有監督機器學習方法可以分為生成方法和判別方法 常見的生成方法有混合高斯模型 樸素貝葉斯法和 馬爾科夫模型等，常見的判別方法有svm lr等 生成方法學習出的是生成模型，判別方法學習出的是判別模型。生成模型主要是求解聯合概率密度，比如我們有資料集 c，x 其中 c,x 表示其中乙個樣本，c為類別，x為...
生成模型和判別模型的區別
其實機器學習的任務是從屬性x 標記y，即求概率p y x 對於判別式模型來說求得p y x 對未見示例x，根據p y x 可以求得標記y，即可以直接判別出來，如上圖的左邊所示，實際是就是直接得到了判別邊界，所以傳統的 耳熟能詳的機器學習演算法如線性回歸模型 支援向量機svm等都是判別式模型，這些模型...