生成式模型和判别式模型

总的来说，对于输入X，类别为Y的数据，生成模型是估计他们的连个概率密度P（X,Y），判别式模型为估计条件概率P（Y|X）。

生成模型：有数据学习联合概率密度P（X,Y），然后求出条件概率P（Y|X）作为预测模型，如贝叶斯、HMM、主题LDA。

判别模型：由数据直接学习决策函数Y=F(X)，如KNN、SVM、LR、boosting。

如何区分？模型如果是直接根据数据X，直接判定Y的类别的话就是判别模型；间接判定Y的类别的话就是生成模型。

引用：

生成模型：以统计学和Bayes作为理论基础

1、朴素贝叶斯：

通过学习先验概率分布和条件概率分布，得到联合概率分布，然后对应分类时的后验概率为：

 使用极大似然估计（使用样本中的数据分布来拟合数据的实际分布概率）得到先验概率。

判别模型

1、感知机 (线性分类模型)

输入空间为，输出空间为，使用的映射函数为，其中sign为符号函数 (输入大于等于1时输出为1；否则为0)。使用的损失函数为误分类点到超平面的总距离，即：

其中M为所有误分类点的集合，||w||可以不考虑。可以使用随机梯度下降得到最后的分类超平面。