判别模型与生成模型的区别

最新推荐文章于 2024-08-06 20:46:56 发布
原创 最新推荐文章于 2024-08-06 20:46:56 发布 · 216 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了生成式模型与判别式模型的区别。生成式模型估计联合概率分布P(X,Y)，而判别式模型估计条件概率分布P(Y|X)。文中列举了两类模型的常见例子，并指出生成式模型可以通过贝叶斯公式转换为判别式模型。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

对于输入X，类别标签Y
生成式模型估计他们的联合概率分布P（X，Y）
判别式模型估计条件概率分布P（Y|X）

生成式模型可以根据贝叶斯公式得到判别式模型，但是反过来不行。

常见的判别式模型主要有：
Logistic Regression
SVM
Traditional Neural Networks
Nearest Neighbor
CRF
Linear Discriminant Analysis
Boosting
Linear Regression

常见的生成式模型主要有：
Gaussians
Naive Bayes
Mixtures of Multinomials
Mixtures of Gaussians
Mixtures of Experts
HMMs
Sigmoidal Belief Networks, Bayesian Networks
Markov Random Fields
Latent Dirichlet Allocation

机器学习中的生成模型与判别模型
scott198512的博客
05-10 4523
机器学习生成模型与判别模型对比
生成模型与判别模型
python收藏家的博客
03-06 568
生成模型与判别模型
机器学习：生成模型和判别模型的区别
JacksonKim的博客
10-01 7309
一、名词解释 生成方法由数据学习联合概率风波P(X,Y)，然后求出条件概率分布P(Y|X)为预测的模型，即生成模型： P(Y∣X)=P(X,Y)P(X)P(Y|X)=\frac{P(X,Y)}{P(X)}P(Y∣X)=P(X)P(X,Y)​ 这样的方法之所以称为生成方法，是因为模型表示了给定输入X产生输出Y的生成关系。典型的生成模型由朴素贝叶斯法和隐马尔可夫模型。 判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测模型，即判别模型。判别方法关心的是对给定的输入X，应该预测什么样的输出
判别模型和生成模型的区别
kyle1314608的博客
05-11 1664
20210511 生成联合 深沉的河里的鲶鱼 判别条件 生成模型和判别模型的区别 1.监督学习分为生成模型和判别模型 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 2.生成模型 生成模型主要是求解联合概率密度，比如我们有数据集：（C，X），其中（c,x）表示其中一个样本，c为类别，x为特征。那么对于生成模型来说我们需要求解p(x,c)的联合概率密
大模型的分类——生成式大模型和判别式大模型联系与区别
m0_59164520的博客
08-06 4230
在学习机器学习的过程中，生成式模型和判别式模型是两个经典类型的模型，弄明白两者之间的联系与区别是一个非常重要的事情，也会加深对大模型的理解。那么什么是生成模型和判别模型呢？生成式模型和判别式模型的区别与联系生成式模型和判别式模型是两种不同的机器学习类型，它们之间具有不同的目标和应用场景，很重要的一点是不论生成式模型还是判别式模型，都是基于监督学习的机器学习算法。🌟 重大消息全新上线的人工智能聊天机器人小程序正式与大家见面啦！🌟你是否曾在深夜思考人生，却无人倾诉？
生成模型和判别模型的区别
10-05 401
生成模型可以用于生成新的样本，也可以用于推断未观察到的变量。然而，由于需要对整个联合概率分布进行建模，生成模型可能对复杂的数据分布有较大的假设，并且在一些任务上可能产生不准确的样本。具体地，我们可以使用变分自编码器（Variational Autoencoder，VAE）作为生成模型来学习人脸的潜在表示，并使用卷积神经网络（CNN）作为判别模型来将潜在表示映射到身份类别上。GMM可以将语音信号分解为多个高斯分布，并学习这些高斯分布的参数，从而能够对新的语音信号进行建模并输出最有可能的文本串。
判别式模型和生成式模型的区别
01-07
其实机器学习的任务是从属性X预测标记Y，即求概率P(Y|X)。 判别式模型 对于判别式模型来说求得P(Y|X)，对未见示例X，根据P(Y|X)可以求得标记Y，即可以直接判别出来，如上图的左边所示，实际是就是直接得到...生成式模型
生成模型与判别模型的基础概念及其在机器学习中的应用对比
最新发布
09-24
适用人群：适合对机器学习感兴趣或者具有一定基础的研发人员，尤其是需要了解监督学习下生成模型和判别模型区别的人群。 使用场景及目标：帮助人们理解和掌握机器学习中的生成模型与判别模型的工作机制、特点及优...
生成模型与判别模型的区别与联系
花梦飞的博客
12-19 2748
1、概述 监督学习的任务就是学习一个模型，应用这一模型，对给定的输入预测相应的输出。这个模型的一般形式为决策函数： 或者条件概率分布： 监督学习方法又可以分为生成方法（generative approach）和判别方法（discriminative approach）。所学到的模型分别称为生成模型（generative  model）和判别模型（discriminative mode...
生成模型和判别模型
酒酿小圆子呀～
06-27 1652
在机器学习中，一般将学习方式分为和方式。监督学习的任务就是从数据中学习一个模型，应用这一模型，对给定的输入X预测相应的输出Y。这个模型的一般形式为：决策函数Y=f(X)或者条件概率分布P(Y|X)。和。
生成模型与判别式模型的区别
SuNoob的专栏
10-27 1941
看了JerryLead大神的博客，茅塞顿开！所以把他的文章转载过来，希望在之后对相关知识模糊的时候能够看看，加深理解。原始链接原始链接地址 1判别模型与生成模型 上篇报告中提到的回归模型是判别模型，也就是根据特征值来求结果的概率。形式化表示为，在参数确定的情况下，求解条件概率。通俗的解释为在给定特征后预测结果出现的概率。 比如说要确定一只羊是山羊还是绵羊，用判别模
生成模型和判别模型区别
timothytt的博客
03-05 511
预测目标 在讨论生成模型和判别模型之前，我们先回顾一下机器学习要解决的两类问题。 假设x是输入的特征(feature)，y是预测的结果(分类是label，回归是value)。   1.分类：P(y|x) ，即根据输入特征求目标分类。   2.回归：y=f(x)，即根据输入特征直接求值。 由于分类问题和回归可以相互转化，下文我们以分类为例。 判别模型 判别模型直接求解条件概率...
生成模型（Generative）和判别模型（Discriminative）
weixin_30731305的博客
07-19 231
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...
生成式模型和判别式模型的区别
zhangt766的博客
06-16 9152
机器学习可以分为两大类：生成式模型（Generative Model）、判别式模型（Discriminative Model）。 现在有一堆球，颜色信息已知为绿色和黄色两种，有且仅有这两种颜色，这里，球的颜色为y（目标变量），坐标轴上位置为特征X。我们想要知道，如果在坐标轴的某一位置x新放入一个球，这个球会是什么颜色的？ 1.生成式模型的思想： 生成式模型使用的是联合概率P(X,Y)，若已知x（球的坐标位置信息），通过计算出P(X,Y)我们就可以知道球的颜色。 P(X,Y) = P(Y)*P(X|Y)，其中
生成模型与判别模型的区别与理解
xiaobaizaza_Ry的博客
10-16 1万+
一、判别方法与生成方法 监督学习方法可分为判别方法和生成方法。 判别方法（Discriminative approach） 由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。判别方法关心的是对于给定的输入X，应该预测什么样的输出Y。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。典型的判别模型包括k近邻，感知级，决策树，支持向量机等。 生成方法（Generative approach） 由数据学习联合概率密度分布P(X,Y)，然后由
生成模型 VS 判别模型 （含义、区别、对应经典算法）
热门推荐
Taylover-Cam的博客
03-29 7万+
从概率分布的角度考虑，对于一堆样本数据，每个均有特征Xi对应分类标记yi。生成模型：学习得到联合概率分布P(x,y)，即特征x和标记y共同出现的概率，然后求条件概率分布。能够学习到数据生成的机制。判别模型：学习得到条件概率分布P(y|x)，即在特征x出现的情况下标记y出现的概率。数据要求：生成模型需要的数据量比较大，能够较好地估计概率密度；而判别模型对数据样本量的要求没有那么多。两者的优缺点如下图...
机器学习：判别与生成模型 - Tony Jebara
"本书《MACHINE LEARNING: Discriminative and Generative》由哥伦比亚大学的Tony Jebara撰写，旨在统一机器学习中的两种强大但不同的范式：生成模型和判别模型。生成学习方法，如贝叶斯网络，是许多模式识别、人工...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值