生成模型（Generative Model）与判别模型（Discriminative Model）

摘要：

　　1.定义

　　2.常见算法

　　3.特性

　　4.优缺点

内容：

1.定义

1.1 生成模型：

　　在概率统计理论中, 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布（joint probability distribution）。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯准则形成  （参考自：中文wiki）

1.2 判别模型：

　　判别模型是一种基于概率理论的方法，由数据直接学习决策函数Y=f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。基本思想是有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。

2.常见算法

2.1 生成模型：

　　典型的生成模型包括:

• 混合高斯模型和其他混合模型
• 隐马尔可夫模型（HMM）
• 随机上下文无关文法
• 朴素贝叶斯分类器(NB)
• AODE分类器
• 潜在狄利克雷分配模型(LDA)
• 有限波尔兹曼机

2.2 判别模型

　　典型的判别模型包括：

• 感知机
• 逻辑回归
• 支持向量机
• k近邻
• 决策树

3.特性

3.1 生成模型

　　生成模型能够用于模拟（即生成）模型中任意变量的分布情况；因此，生成模型更适用于无监督学习

3.2 判别模型

　　判别模型只能根据观测变量得到目标变量的采样，判别模型不对观测变量的分布建模，因此它不能够表达观测变量与目标变量之间更复杂的关系；因此判别模型更适合监督学习。　

4.优缺点

4.1 生成模型　

　　优点：

　　　　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。　

　　缺点：

　　　　准确率低

4.2 判别模型

　　优点：

　　　　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。

　　缺点：

　　　　不能学习隐变量，不能学习联合概率分布；收敛速度较慢