一、簡單理解
二、生成式模型 generative model（聯想）
1、定義：學習得到聯合概率分布p（x，y），就是特徵x和標記y共同出現的概率。然後再求條件概率分布。能夠學習資料的生成機制。
2、重點：由聯合概率求條件概率。
3、常見演算法：隱馬爾可夫模型hmm、馬爾可夫隨機場、樸素貝葉斯、主題模型（lda）、高斯混合模型。
4、計算思路：學習全部樣本的先驗和條件概率分布求出後驗概率。
5、優點：
6、缺點：
三、判別式模型 discriminative model（記憶）
1、定義：學習條件概率分布p（y|x），就是特徵x出現的情況下標記y出現的概率。就是在給定資料x的情況下，分析樣本具有的特徵，然後再根據已知的特徵去匹配。
2、重點：直接學習條件概率，不會去學習聯合概率分布。
3、常見演算法：支援向量機（svm）、感知機、knn、決策樹、邏輯回歸、線性回歸、條件隨機場（crf）。（大部分有監督學習的演算法都是判別模型）
4、計算思路：直接計算得到條件概率分布或者說得到決策邊緣。
5、優點：
6、缺點：
四、例項：判斷乙個狗狗的品種是金毛還是哈士奇？
1、生成式模型
2、判別式模型
3、總結
判別式模型只生成一種模型，而生成式模型會學習很多個模型（一般是有多少種類別，就會學習多少種模型）。
判別式模型和生成式模型
判別式模型與生成式模型 生成式模型 generative model 與判別式模型 discrimitive model 是分類器常遇到的概念，它們的區別在於 對於輸入x，類別標籤y 1.生成式模型估計它們的聯合概率分布p x,y 2.判別式模型估計決策函式f x 或條件概率分布p y x 3.生成...
判別式模型和生成式模型
生成式模型 generative model 與判別式模型 discrimitive model 的區別在於 對於輸入x，類別標籤y 生成式模型估計它們的聯合概率分布p x,y 判別式模型估計條件概率分布p y x 判別式模型常見的主要有 邏輯回歸 logistic regression 支援向量機...
判別式模型和生成式模型
區別在於 對於輸入x，類別標籤y 生成式模型估計它們的聯合概率分布p x,y 判別式模型估計條件概率分布p y x 生成式模型可以根據貝葉斯公式得到判別式模型，但反過來不行。判別式模型常見的主要有 linear regression 線性回歸 logistic regression 最大熵模型 sv...