「机器学习」机器学习中的判别式模型和生成式模型
如今已经进入2020年了 ， 5G的时代已经到来 ， 而机器人应用将更加的广泛 ， 下面就让我们去了解机器人在学习中的两类模型 ， 这文章告诉两种类型的区别 ， 推荐给对机器人感兴趣的朋友们阅读！
本文插图
在机器学习中 ， 对于有监督学习可以将其分为两类模型：判别式模型和生成式模型 。 简单地说 ， 判别式模型是针对条件分布建模 ， 而生成式模型则针对联合分布进行建模 。
01 基本概念 假设我们有训练数据(X,Y) ， X是属性集合 ， Y是类别标记 。 这时来了一个新的样本样本 x， 我们想要预测它的类别y 。
我们最终的目的是求得最大的条件概率 P（y|x）作为新样本的分类 。
1. 判别式模型这么做 根据训练数据得到分类函数和分界面 ， 比如说根据SVM模型得到一个分界面 ， 然后直接计算条件概率 P（y|x） ， 我们将最大的 P（y|x） 。
作为新样本的分类 。 判别式模型是对条件概率建模 ， 学习不同类别之间的最优边界 ， 无法反映训练数据本身的特性 ， 能力有限 ， 其只能告诉我们分类的类别 。
2. 生成式模型这么做 一般会对每一个类建立一个模型 ， 有多少个类别 ， 就建立多少个模型 。 比如说类别标签有｛猫 ， 狗 ， 猪｝ ， 那首先根据猫的特征学习出一个猫的模型 ， 再根据狗的特征学习出狗的模型 ， 之后分别计算新样本X跟三个类别的联合概率 P（y|x） ， 然后根据贝叶斯公式：
分别计算 P（y|x） ， 选择三类中最大的 P（y|x）作为样本的分类 。
3.两个模型的小结 不管是生成式模型还是判别式模型 ， 它们最终的判断依据都是条件概率 P（y|x） ， 但是生成式模型先计算了联合概率P（x,y） ， 再由贝叶斯公式计算得到条件概率 。 因此 ， 生成式模型可以体现更多数据本身的分布信息 ， 其普适性更广 。
02 用例子说明概念 1. 山羊绵羊的例子 判别式模型：要确定一个羊是山羊还是绵羊 ， 用判别式模型的方法是从历史数据中学习到模型 ， 然后通过提取这只羊的特征来预测出这只羊是山羊的概率 ， 是绵羊的概率 。
生成式模型：是根据山羊的特征首先学习出一个山羊的模型 ， 然后根据绵羊的特征学习出一个绵羊的模型 ， 然后从这只羊中提取特征 ， 放到山羊模型中看概率是多少 ， 再放到绵羊模型中看概率是多少 ， 哪个大就是哪个 。
【「机器学习」机器学习中的判别式模型和生成式模型】
2. 模型范例假设现在有一个分类问题 ， X是特征 ， Y是类标记 。 用判别式模型学习一个条件概率分布 P（y|x） ， 用生成式模型学习一个联合概率分布P（x,y） 。
用一个简单的例子来说明这个问题 。 假设X就是两个特征（1或2） ， Y有两类（0或1） ， 有如下训练样本（1 ， 0）、（1 ， 0）、（1 ， 1）、（2 ， 1） 。
则学习到的条件概率分布（判别式模型）如下：
而学习到的联合概率分布（生成式模型）如下：
在实际分类问题中 ， 判别式模型可以直接用来判断特征的类别情况；而生成式模型需要加上贝叶斯公式 ， 然后应用到分类中 。 但是 ， 生成式模型的概率分布可以有其他应用 ， 就是说生成式模型更一般更普适 。 不过判别式模型更直接 ， 更简单 。 两种方法目前交叉较多 。 由生成式模型可以得到判别式模型 ， 但由判别式模型得不到生成式模型 。
03 判别式模型和生成式模型的区别 1. 判别式模型和生成式模型的对比图
本文插图
上图左边为判别式模型而右边为生成式模型 ， 可以很清晰地看到差别 ， 判别式模型是在寻找一个决策边界 ， 通过该边界来将样本划分到对应类别 。 而生成式模型则不同 ， 它学习了每个类别的边界 ， 它包含了更多信息 ， 可以用来生成样本 。
推荐阅读
- 『机器人』日本一大学举行云毕业典礼：机器人替身领毕业证
- [音乐俱乐部]蔡徐坤一语中的，直言表现不专业，赵小棠“直女”人设终于被怼
- 「娱乐中的趣闻」1:3惨败WE，七年竟背下最大黑锅，KPL：AG超玩会高开低走
- 星空财富BJ▲对疫情中的经济有何启示？，1亿！老罗的直播首秀
- 『兄弟』兄弟DCP-T710W喷墨一体机评测：微信打作业 在线学习更简单
- 「大南平」【松溪抗“疫”人物】逆行中的蓝色哨兵——吴慧英
- 泡泡网@米兔儿童学习手表4上线！首发仅需849元
- 和鲸携手在线公益AI项目，助力学习实训一体化
- 人民日报@战疫中的爱情故事有续集了
- 娱乐中的趣闻@最好不要碰这4位法师，图4前期直接被碾压！，若铭文不够150级