详解概率图模型——概述
详解概率图模型——概述
概率图
概览
有向图 vs. 无向图
有向图
对于有向图模型，这么求联合概率：
举个例子，对于下面的这个有向图的随机变量
应该这样表示他们的联合概率:
贝叶斯网络：有向图模型
贝叶斯网络的一个典型案例是所谓的「学生网络（student network）」：
上图描述了某个学生注册某个大学课程的设定。该图中有 5 个随机变量：
该图中的边编码了这些变量之间的依赖关系。
无向图
对于无向图，我看资料一般就指马尔科夫网络
马尔可夫网络：无向图模型
为了简洁地说明，我们只探讨这个抽象的图，其中的节点 ABCDE 不像上面的例子有直接的真实案例对应。同样，这些边表示变量之间的相互作用。我们可以看到 A 和 B 彼此之间有直接的影响关系，而 A 和 C 之间则没有。
注意马尔可夫网络不需要是无环的，这一点和贝叶斯网络不一样。
判别式（discriminative）模型 and 生成式(generative)模型
前言
1、机器学习分为有监督的机器学习和无监督的机器学习；
2、有监督的机器学习就是已知训练集数据的类别情况来训练分类器（比如 分类任务），无监督的机器学习就是不知道训练集的类别情况来训练分类器（比如聚类任务）；
3、有监督的机器学习中，我们可以概述为通过很多有标记的数据，训练出一个模型，然后利用这个，对输入的X进行预测输出的Y。这个模型一般有两种：
决策函数：Y=f(X)
条件概率分布：P(Y|X)
4、根据通过学习数据来获取这两种模型的方法，我们可以分为判别方法和生成方法；
判别方法：由数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)作为预测模型，即判别模型。
判别方法关心的是对于给定的输入X，应该预测什么样的输出Y。
生成方法：由数据学习联合概率分布P(X,Y), 然后由P(Y|X)=P(X,Y)/P(X)求出概率分布P(Y|X)作为预测的模型，即生成模型
生成方法表示了给定输入X与产生输出Y的生成关系
在监督学习下，模型可以分为判别式模型与生成式模型。
两个模型的范例
生成模型：朴素贝叶斯、隐马尔可夫（em算法）
判别模型：k近邻法、感知机、决策树、逻辑回归、线性回归、最大熵模型、支持向量机(SVM)、提升方法、条件随机场（CRF）
A批模型（神经网络模型、SVM、perceptron、LR、DT……）与B批模型（NB、LDA……），的区别是什么？
判别式模型
数据直接学习决策函数Y=f(X)或条件概率分布P(Y|X)得到的预测模型，就是判别模型；
生成式模型
由数据学习联合概率分布P(X,Y), 然后由P(Y|X)=P(X,Y)/P(X)求出概率分布P(Y|X)作为预测的模型，就是生成模型
对比
1、生成模型可以还原出联合概率分布（还原数据本身相似度），而判别方法不能；
2、生成方法的学习收敛速度更快，当样本容量增加的时候，学到的模型可以更快的收敛于真实模型；
3、当存在隐变量时，仍可以利用生成方法学习，此时判别方法不能用；
4、判别学习不能反映训练数据本身的特性，但它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，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Y=f（X），从而可以简化学习；
5、简单的说，生成模型是从大量的数据中找规律，属于统计学习；而判别模型只关心不同类型的数据的差别，利用差别来分类。
6、 由生成模型可以得到判别模型，但由判别模型得不到生成模型。
优缺点
在监督学习中，两种方法各有优缺点，适合于不同条件的学习问题。
生成方法的特点：上面说到，生成方法学习联合概率密度分布P(X,Y)，所以就可以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。但它不关心到底划分各类的那个分类边界在哪。生成方法可以还原出联合概率分布P(Y|X)，而判别方法不能。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的收敛于真实模型，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决策函数Y=f(X)或者条件概率分布P(Y|X)。不能反映训练数据本身的特性。但它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。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P(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。
