Name | 判别式模型(discriminative model) | 生成式模型(generative model) |
---|---|---|
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 | 对后验概率建模,从统计的角度表示数据的分布情况,能够反映同类数据本身的相似度 |
区别(假定输入x, 类别标签y) | 估计的是条件概率分布(conditional distribution) :P(y|x) | 估计的是联合概率分布(joint probability distribution: P(x, y), |
联系 | 由产生式模型可以得到判别式模型(贝叶斯公式),但由判别式模型得不到产生式模型。 | |
优点 | 1)分类边界更灵活,比使用纯概率方法或产生式模型更高级; 2)能清晰的分辨出多类或某一类与其他类之间的差异特征; 3)在聚类、viewpoint changes, partial occlusion and scale variations中的效果较好; 4)适用于较多类别的识别; 5)判别模型的性能比产生式模型要简单,比较容易学习。 |
1)实际上带的信息要比判别模型丰富; 2)研究单类问题比判别模型灵活性强; 3)模型可以通过增量学习得到; 4)能用于数据不完整(missing data)情况。 |
缺点 | 1)不能反映训练数据本身的特性。能力有限,可以告诉你的是1还是2,但没有办法把整个场景描述出来; 2)Lack elegance of generative: Priors, 结构, 不确定性; 3)Alternative notions of penalty functions, regularization, 核函数; 4)黑盒操作: 变量间的关系不清楚,不可视。 |
1) Tend to produce a significant number of false positives. This is particularly true for object classes which share a high visual similarity such as horses and cows; 2) 学习和计算过程比较复杂。 |
性能 | 较好(性能比生成模型稍好些,因为利用了训练数据的类别标识信息,缺点是不能反映训练数据本身的特性) | 较差 |
主要应用 | Image and document classification Biosequence analysis Time series prediction |
NLP(natural language processing) Medical Diagnosis |
常见模型 | 1)Linear regression 2)Logisticregression 3)SVM 4)Traditional Neural Networks 5)Nearest neighbor 6)CART 7)Boosting |
1)Gaussians 2)Naive Bayes 3)Bayesian networks 4)Mixtures of Gaussians 5)Mixtures of experts 6)HMMs 7)Sigmoidal belief networks 8)Markov random fields |
参考
【1】判别式模型和产生式模型 (discriminative model and generative model)
【2】机器学习中的判别模式和生成模式