| 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