Machine Learning系列--判别式模型与生成式模型

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:
$$ Y=f(X) $$
或者条件概率分布:
$$ P(Y|X) $$
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 model)。

生成方法由数据学习联合概率分布P(X,Y),然后求出条件概率分布P(Y|X)作为预测的模型,即生成模型:
$$ P\left( {Y|X} \right) = \frac{{P\left( {X,Y} \right)}}{{P\left( X \right)}} $$
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。典型的生成模型有: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$P(Y|X)$作为预测的模型,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$Y$。典型的判别模型包括:$k$近邻法、感知机、决策树、逻辑斯谛回归模型、最大熵模型、支持向量机、提升方法和条件随机场等.

在监督学习中,生成方法和判别方法各有优缺点,适合于不同条件下的学习问题。

  • 生成方法的特点:生成方法可以还原出联合概率分布$P(X,Y)$,而判别方法则不能;生成方法的学习收敛速度更快,即当样本容量增加的时候,学到的模型可以更快地收敛于真实模型;当存在隐变量时,仍可以用生成方法学习,此时判别方法就不能用
  • 判别方法的特点:判别方法直接学习的是条件概率$P(Y|X)$或决策函数$f(X)$,直接面对预测,往往学习的准确率更高;由于直接学习$P(Y|X)$或$f(X)$,可以对数据进行各种程度上的抽象、定义特征并使用特征,因此可以简化学习问题。

 

参考资料:

1.  李航. 《统计学习方法》

posted @ 2017-11-21 17:34  蓝鲸王子  阅读(489)  评论(1编辑  收藏  举报