判別模型 vs 生成模型
判別式模型舉例：要確定一個羊是山羊還是綿羊，用判別模型的方法是從歷史資料中學習到模型，然後通過提取這隻羊的特徵來預測出這隻羊是山羊的概率，是綿羊的概率。
生成式模型舉例：利用生成模型是根據山羊的特徵首先學習出一個山羊的模型，然後根據綿羊的特徵學習出一個綿羊的模型，然後從這隻羊中提取特徵，放到山羊模型中看概率是多少，在放到綿羊模型中看概率是多少，哪個大就是哪個。
細細品味上面的例子，判別式模型是根據一隻羊的特徵可以直接給出這隻羊的概率（比如logistic regression，這概率大於0.5時則為正例，否則為反例），而生成式模型是要都試一試，最大的概率的那個就是最後結果
簡單地說，對於監督學習，預測時，一般都是在求
相關推薦
【機器學習】判別模型vs生成模型
判別模型vs生成模型 條件概率分佈p(y|x) 從概率的角度來看監督學習的話，其實就是從資料集中學習條件概率分佈p(y|x)。其中，x∈Rn表示n維資料特徵，y∈R表示資料對應的類別標籤。給定一個x，模型計算出x屬於各個類別標籤y的概率p(y|x)，然後
判別模型 vs 生成模型
判別式模型舉例：要確定一個羊是山羊還是綿羊，用判別模型的方法是從歷史資料中學習到模型，然後通過提取這隻羊的特徵來預測出這隻羊是山羊的概率，是綿羊的概率。生成式模型舉例：利用生成模型是根據山羊的特徵首先學習出一個山羊的模型，然後根據綿羊的特徵學習出一個綿羊的模型，然後從這隻羊中提取特徵，放到山羊模型中看概率是多
判別模型和生成模型
使用 sin cow ria regress gauss 生成 == 給定 【摘要】 - 生成模型：無窮樣本==》概率密度模型 = 產生模型==》預測 - 判別模型：有限樣本==》判別函數 = 預測模型==》預測 【簡介】 簡單的說，假設o是觀察值，
判別模型和生成模型——機器學習
轉載自：https://www.cnblogs.com/zeze/p/7047630.html 判別式模型（discriminative model） 產生式模型（generative model）
判別式模型 vs. 生成式模型
1. 簡介 生成式模型(generative model)會對\(x\)和\(y\)的聯合分佈\(p(x,y)\)進行建模,然後通過貝葉斯公式來求得\(p(y|x)\), 最後選取使得\(p(y|x)\)最大的\(y_i\). 具體地, \(y_{*}=arg \max_{y_i}p(y_i|x)=ar
機器學習基礎--判別模型和生成模型
判別模型（Discriminative model）和生成模型（generative model） 監督學習又可以分為兩類，（只有監督學習才會有判別和生成的概念） 1）判別模型（Discriminative model）：SVM和邏輯迴歸 2）生成模
判別模型和生成模型的區別
什麼是判別模型(Discriminative Model)和生成模型(Generative Model)？ 一個通俗易懂的解釋判別模型和生成模型可以點選這裡檢視，這裡我摘錄如下： Let's say you have input data x and you want to classif
判別模型、生成模型
判別模型（Discriminative model） 生成模型（Generative model） 設X是特徵，Y是類別 則判別模型就是求P(Y|X)，這是條件概率 而生成模型一般就是求P(Y)P(X|Y) 也就是P(XY)，這就是聯合概率了 所以使
NLP --- 產生式模型VS判別式模型
上一節我們介紹了概率圖模型，這將在隱馬爾可夫和條件隨機場使用到，還會使用到的另外一個概念就是產生式模型和判別式模型，那麼什麼是產生式模型，什麼是判別式模型呢？下面我們詳細介紹這兩種模型的區別。 他們的來源還是機器學習，在機器學習中，我們知道是分類問題，器分類就是等價於輸入,求輸出的概率即,由
揭祕阿里小蜜：基於檢索模型和生成模型相結合的聊天引擎
面向 open domain 的聊天機器人無論在學術界還是工業界都是個有挑戰的課題，目前有兩種典型的方法：一是基於檢索的模型，二是基於 Seq2Seq 的生成式模型。前者回復答案可控但無法處理長尾問題，後者則難以保證一致性和合理性。 本期推薦的論文筆記來自 Pa
生成方法vs判別方法+生成模型vs判別模型
監督學習的方法可以分為2類，生成方法（generative approach）和判別方法（discriminative approach），所學到的模型分別為生成模型（generative model）和判別模型（discriminative model）。 生成方法：
生成模型 VS 判別模型
監督學習方法又分生成方法（Generative approach）和判別方法（Discriminative approach），所學到的模型分別稱為生成模型（Generative Model）和判別模（Discriminative Model)。 判別模型：由資料直接學習決
生成模型和判別模型
特征 數據 學習方法 最大 mem 針對 表示 不能 問題 1、定義： 生成模型（或稱產生式模型）和判別模型（或稱判別式模型）的本質區別在於模型中觀測序列x和狀態序列y的決定關系。前者假設y決定x，後者假設x決定y。 2、生成模型特點 2.1、生成模型以“狀態序列y按照一定
機器學習之---生成模型和判別模型
監督學習方法可分為兩大類，即生成方法與判別方法，它們所學到的模型稱為生成模型與判別模型。 判別模型：判別模型是學得一個分類面（即學得一個模型），該分類面可用來區分不同的資料分別屬於哪一類； 生成模型：生成模型是學得各個類別各自的特徵（即可看成學得多個模型），可用這些
ML13生成模型與判別模型
轉載自GitHub：http://t.cn/E76fhB6 生成模型與判別模型 監督學習的任務是學習一個模型，對給定的輸入預測相應的輸出 這個模型的一般形式為一個決策函式或一個條件概率分佈（後驗概率）：
聯合概率與聯合分佈、條件概率與條件分佈、邊緣概率與邊緣分佈、貝葉斯定理、生成模型（Generative Model）和判別模型（Discriminative Model）的區別
在看生成模型和判別模型之前，我們必須先了解聯合概率與聯合分佈、條件概率與條件分佈、邊緣概率與邊緣分佈、貝葉斯定理的概念。 聯合概率與聯合概率分佈： 假設有隨機變數X與Y, 此時，P(X=a,Y=b)用於表示X=a且Y=b的概率。這類包含多個條件且所有條件同時成立的概率稱為聯合概率。聯合概
生成模型--高斯判別+樸素貝葉斯
分類演算法： 判別學習演算法（logistic二元分類器，softmax分類器..）特點:直接去求條件概率分佈 p(y|x; θ）, 也表示為 hθ(x)，重點是去擬合引數θ 生成學習算(中心思想是直接去求p(y|x; θ）很難,然後轉而去求聯合分佈 p(x，y), 然後利用貝葉斯
理解生成模型與判別模型
導言 我們都知道，對於有監督的機器學習中的分類問題，求解問題的演算法可以分為生成模型與判別模型兩種型別。但是，究竟什麼是生成模型，什麼是判別模型？不少書籍和技術文章對這對概念的解釋是含糊的。在今天這篇文章中，我們將準確、清晰的解釋這一組概念。 第一種定義 對於判別模型和生成模型有兩種定義
【機器學習】生成模型和判別模型
定義： 生成方法由資料學習聯合概率分佈P(x, y)，然後求出條件概率分佈P(y|x)作為預測的模型。 包括樸素貝葉斯，貝葉斯網路，高斯混合模型，隱馬爾科夫模型等。 判別方法由資料直接學習決策函式
監督學習的分類：判別/生成模型，概率/非概率模型、引數/非引數模型
轉自：https://blog.csdn.net/qq_39521554/article/details/79134274 機器學習是一個有著多分支的學科。其中，監督學習是其中發展最為成熟的分支。這不僅是由於在監督學習框架下面有各種各樣的學習模型，如邏輯斯特迴歸、樸素貝葉斯、支援向量機等