生成模型与辨别模型（Generative vs discriminative model）

最新推荐文章于 2024-09-11 11:04:05 发布

人工智障仁波切

最新推荐文章于 2024-09-11 11:04:05 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/dmsgames/article/details/81939903

机器学习专栏收录该内容

11 篇文章

订阅专栏

本文对比了生成模型与辨别模型的基本原理及应用。生成模型利用贝叶斯理论推断后验分布，需考虑先验分布与条件概率；而辨别模型直接计算给定输入下类别的后验概率，通过决策理论进行分类。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

生成模型与辨别模型（Generative vs discriminative model）

这两个模型一般是讲的分类问题

生成模型

1、使用贝叶斯理论推断后验分布 $p(C_k|x)$ ,需要考虑先验分布 $p(C_k)$ 和 $p(X|C_k)$
也可以对联合分布 $p(X,C_k)$ 建模
2、使用决策论对x分配类
例子：

辨别模型（discriminative model）

辨别模型是确定一个函数，这个函数能直接将输入向量X,映射到K类别中的一类，表示为 $C_k$
1、直接计算 $p(C_k|X)$
2、使用决策理论（decision theory）为每一个新的X分配一个类型标签

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

人工智障仁波切

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Generative vs Discriminative Models

白马负金羁

12-26

4857

Generative Models（生成模型）和 Discriminative Models（判别模型）是机器学习中两个非常重要的概念，它体现了不同的机器学习算法内在的某种特殊属性，辨析这对概念将有助于深化读者对机器学习整体机制上的认识和理解

PyTorch生成式人工智能（6）——生成模型（Generative Model）详解

最新发布

盼小辉丶的博客

05-07

3017

本节介绍了人工智能的一个重要分支——生成模型，介绍了生成模型理论和应用的最新进展。我们从一个简单的示例开始，了解了生成模型最终关注的是对数据的潜在分布进行建模。通过总结生成模型框架，以理解生成模型的重要属性。然后，介绍了有助于理解生成模型的理论基础和关键概率概念，并概述了生成模型的分类方法。

参与评论您还未登录，请先登录后发表或查看评论

生成模型（Generative）和判别模型（Discriminative）

weixin_30731305的博客

07-19

230

生成模型（Generative）和判别模型（Discriminative）引言最近看文章《A survey of appearance models in visual object tracking》（XiLi，ACMTIST，2013），在文章的第4节第1段有这样的描述，“Recently,visualobject trackinghas been posed as...

生成式模型（generative） vs 判别式模型（discriminative）

weixin_30838921的博客

03-04

581

Andrew Ng, On Discriminative vs. Generative classifiers: A comparison of logistic regression and naive Bayes 无论是生成式模型还是判别式模型，都可作为分类器使用，分类器的数学表达即为：给定输入 X 以及分类变量 Y，求 P(Y|X)。判别式模型...

Generative vs. Discriminative Models

宝宝

09-24

608

高效程序猿之（一）VS2010快速生成代码模板(转)

weixin_33869377的博客

04-23

409

一只程序猿的生产效率很重要。生成效率高了，老板喜欢你，妹子崇拜你，你也可以给自己节省很多时间。加班的一般都是新手程序猿，除了对语言和技术不熟悉，工具也是很影响生成效率的因素。我们知道，猿和其他动物最大的区别在于，猿会使用工具。所以这一系列我将介绍一下如何用好手头的工具来帮助我们提高效率。今天我们来看看如何在Visual Studio 2010中用内置的模板快速生成代码片段。代码模板就是...

[Machine Learning] 生成模型 & 判别模型（Generative & Discriminative Model）

Oh_MyBug的博客

02-16

638

生成模型 概率生成模型，简称生成模型（Generative Model），是概率统计和机器学习中的一类重要模型，指一系列用于随即生成可观测数据的模型。典型模型高斯混合模型（Gaussian Mixed Model）隐马尔科夫模型（Hidden Markov Model）朴素贝叶斯分类器（Naive Bayes Classifier）判别模型在机器学习领域，判别模型是一种对未知数据y...

机器学习中的生成模型与判别模型

scott198512的博客

05-10

4507

机器学习生成模型与判别模型对比

MATLAB算法实战应用案例精讲-【数模应用】概率生成模型（Generative Model）

qq_36130719的博客

01-28

1221

一个生成模型可以大致定义如下：生成模型根据概率模型描述了数据集是如何生成的。通过从该模型中采样，我们能够生成新数据。假设有一个包含马图像的数据集。希望构建一个模型且该模型可以生成从未存在但看起来仍然真实的马的新图像，因为该模型已经了解了控制马外观的一般规则。这种问题可以使用生成建模来解决。下图显示了一个典型的生成建模过程的总结。首先，需要一个由尝试生成的实体的许多示例组成的数据集。这个被称为训练数据，一个这样的数据点被称为观察。每个观察包含许多特征，对于图像生成问题，特征通常是单个像素值。

生成模型（Generative Model）Vs 判别模型（Discriminative Model）

wbyang.cn

12-04

3913

看HMM的是很看到了生成模型，于是提出了一个问题，什么是生成模型？查了一下资料，总算大致了解了，把内容贴在这里，以备翻阅。判别模型（Discriminative Model），又可以称为条件模型，或条件概率模型。估计的是条件概率分布(conditional distribution)，p(class|context)。利用正负例和分类标签，主要关心判别模型的边缘分布。其目标函数直接对应于分类准确率。主要特点：寻找不同类别之间的最优分类面，反映的是异类数据之间的差异

生成式~扩散模型

whaosoft143ai的博客

02-02

1721

001 (2024-02-1) Distilling Conditional Diffusion Models for Offline Reinforcement Learning through Trajectory Stitching https://arxiv.org/pdf/2402.00807.pdf002 (2024-02-1) AnimateLCM Accelerating the Animation of Personalized Diffusion Models and Ad

Generative Models

04-10

Goodfellow - Generative Models 深度学习暑期学校2017

Generative Model 与 Discriminative Model（一）

RYP_S 的专栏

01-15

1128

原文：http://blog.sina.com.cn/s/blog_6742eecd0100iqcv.html 【摘要】 - 生成模型(Generative Model) ：无穷样本==》概率密度模型 = 产生模型==》预测 - 判别模型(Discriminative Model)：有限样本==》判别函数 = 预测模型==》预测【简介】简单的说，假设o是观

关于判别模型和生成模型

松子茶的专栏

07-12

3306

简单的说，假设o是观察值，q是模型。如果对P(o|q)建模，就是Generative模型。其基本思想是首先建立样本的概率密度模型，再利用模型进行推理预测。要求已知样本无穷或尽可能的大限制。这种方法一般建立在统计力学和bayes理论的基础之上。如果对条件概率(后验概率) P(q|o)建模，就是Discrminative模型。基本思想是有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。代表性理论为统计学习理论。这两种方法目前交叉较多。

概率生成模型（Generative Models）和概率判别模型（Discriminative Models）

蜡笔小晴

09-11

572

生成模型试图学习数据的分布，即数据是如何生成的。它们通过建模数据的联合概率分布来实现这一点。

《机器学习-小知识点》1： Generative VS Discriminative 问题

羊老羊

09-21

2278

生成式模型（generative） vs 判别式模型（discriminative）

机器学习之生成式模型 VS 判别式模型

热门推荐

稚枭天卓

07-31

1万+

【摘要】判别式模型，就是只有一个模型，你把测试用例往里面一丢，label就出来了，如SVM。生成式模型，有多个模型(一般有多少类就有多少个)，你得把测试用例分别丢到各个模型里面，最后比较其结果，选择最优的作为label，如朴素贝叶斯。本文将从生成式模型与判别式模型的概念，适用环境以及具体模型三个方面分析比较这两个模型，并在最后对列出模型范例，进行范例比较。【基本概念】 生成模型，

生成式对抗网络（GAN）

03-11

### 生成式对抗网络 (GAN) 的原理生成式对抗网络（GAN）由两部分组成：生成模型（Generative Model, G）和判别模型（Discriminative Model, D）。这两者在一个零和游戏中相互竞争，其中G试图欺骗D，而D则尝试区分真实数据与生成的数据。这种机制促使两者不断改进自己的性能直到达到纳什均衡状态，在此状态下，生成器能够创建几乎无法被辨别真假的数据样本[^1]。对于具体的训练过程而言： - **初始化阶段**：随机初始化参数并设定超参数； - **迭代更新循环**： - 输入真实的样本给判别器以及来自噪声分布的向量给生成器； - 让判别器评估这些输入的真实性和伪造程度； - 使用反向传播调整两个组件中的权重以优化目标函数——即最大化判别器识别能力的同时最小化其对假样本的信任度。最终目的是让生成器学会模仿任何所需的目标概率密度函数来制造逼真的合成实例。 ### 应用场景 GANs 已经广泛应用于多个领域，包括但不限于图像处理、视频预测、自然语言理解和音频信号分析等方面。具体来说， - 图像到图像转换任务可以通过条件 GAN 完成，比如将黑白照片着色或者把马变成斑马等操作； - 文本转语音系统利用序列建模技术加上波形重建完成高质量的声音输出； - 数据增强方面可以用来扩充有限的小规模数据库用于更好的机器学习效果提升。 ### 实现方式在实际编程实践中，构建一个简单的 GAN 可以采用 TensorFlow 或 PyTorch 这样的深度学习框架来进行开发工作。下面给出一段基于 Python 和 Keras 库的基础代码片段展示如何定义基本结构: ```python from keras.models import Sequential from keras.layers import Dense def build_generator(latent_dim): model = Sequential() model.add(Dense(256, input_dim=latent_dim)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(512)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(784, activation='tanh')) return model def build_discriminator(img_shape): model = Sequential() model.add(Dense(512, input_shape=img_shape)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(256)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(1, activation='sigmoid')) return model ``` 上述代码展示了怎样建立基础版本的生成器和鉴别器架构，并使用 Leaky ReLU 激活函数提高收敛速度和稳定性。