PlayStation 5|机器学习中生成模型和判别模型的官方指南测试报告|手柄|数码

文章图片

在本文中，我们将研究生成模型和判别模型之间的差异，它们如何形成对比以及彼此之间的区别。
区别性机器学习是在可能的输出选择中识别装备输出。给出一些有关数据的信息，并通过学习参数来完成。这样可以最大程度地提高P（X ， Y）的联合概率。
分类还被称为区分模型。这通常是有根据的；该模型必须跨类分隔输入变量的实例。它必须就给定实例所属的类进行选择或调用。
无监督模型总结了输入变量的分布。而且，可以习惯在输入分发中创建或生成新实例。这样，这些模型变体被视为生成模型。
一个变量可能具有已知的数据分布，例如高斯分布。
生成模型也可以汇总数据分布。这用于生成适合输入变量分布的新变量。
生成环境中的简单模型必须包含较少的信息。然后在判别环境中错综复杂，反之亦然。
沿着这些思路，在条件预测中，判别模型优于生成模型。同样，判别模型应该比生成模型更规范化。

例如，有两个孩子，托尼和马克。他们俩都去了宠物商店，以确定猫和狗之间的区别。两者都特别注意颜色，大小，眼睛颜色，头发大小，声音，它们是宠物的特征集。
两张照片让Mark抓到一只猫，一只狗抓着猫，问哪个是哪个。马克写下了几个条件。如果声音看起来像喵喵，眼睛是蓝色还是绿色。
它具有褐色或黑色的条纹，则该动物可能是猫。
由于他的简单规则，他检测到哪个是猫，哪个可能是狗。
现在，没有给托尼展示两张照片，而是让两张白纸让他画猫和狗的样子。托尼绘制绘图。
好了，只要有照片，托尼还可以告诉哪一个可能是猫。哪一只狗可以支持他创建的绘图。对于检测任务而言，绘图是一项耗时的任务，它可能是一只猫。
但是，如果只有猫狗给托尼和马克看似的话，这意味着训练数据很少。在这种情况下，如果一张棕色的狗的照片带有蓝眼睛的条纹。
马克有机会将其标记为猫。尽管托尼有她的画，但他可以更好地发现这张照片是狗的。
如果Tony能够听到更多诸如功能之类的东西，它将创建出更好的草图。但是，如果更多示例显示使用猫和狗的数据集，那么Mark会比Tony更好。
马克的观察一丝不苟。假设您要求他收听更多功能。它将创建更复杂的规则，称为过拟合。因此，找到猫和狗的机会会增加，但托尼不会发生这种情况。
如果在不访问宠物商店之前没有通知他们，该怎么办。只有两种动物，这意味着没有标签数据。
马克会完全失败，因为当托尼仍然能够绘制草图时，他将不知道要寻找什么。这是一个巨大的优势，有时也称为半监督。
这表明Mark是有区别的，而Tony是有创造力的。

另一个实例，将语音分类为语言模型。
判别方法确定语言模型内的差异。无需学习语言即可对语音进行分类。
生成方法意味着学习每种语言。因此，请使用您获得的知识对其进行分类。
在数学中
区别性机器学习实际上是在训练模型。在可能的输出选择中区分正确的输出。这是通过学习使条件概率P（Y | X）最大化的模型参数来完成的。
生成式机器学习正在训练一种模型，以学习使P（X ， Y）的联合概率最大的参数。
通常在概率模型中以因子分解形式P（Y）来学习P（X | Y）在大多数情况下都是简化的。假设条件独立性P（Y）， P（X | Y）。
判别模型

逻辑回归
随机森林
支持向量机（SVM）
传统神经网络
最近的邻居

生成模型

隐马尔可夫模型（HMM）
朴素贝叶斯
贝叶斯网络
高斯混合模型（GMM）

在执行之前，应先问以下问题。

哪个模型需要较少的数据进行训练？
哪个模型可以生成数据？
什么时候应该使用这种模型？
哪个模型对极端值更敏感？
哪种模型更容易过度拟合？
哪种型号的训练时间更少？
哪个模型学习条件概率？
在不确定情况下哪种模型更好？
要素之间有关联时，哪种模型更好？
需要解释模型时，哪种模型更好？
优化所需的分类精度时，哪种模型更好？
如果没有标签数据，哪种模型更好？
当有标签数据可用时，哪种模型更好？
哪种模型易于实施？在深度学习中

生成对抗网络（GAN），生成器和鉴别器一起训练。生成器生成一批样本，这些样本与真实数据集一起提供给鉴别器进行分类。
区分性分类器的缺点
它缺乏先验性，结构性，不确定性之类的生成优雅。感觉就像黑盒子一样，变量之间的关系似乎不是显性的和可视化的。
结论生成方法和判别方法是两种方法。生成涉及建模和判别性求解分类。生成模型更优雅，具有解释力。
模型的丰富性并不总是有好处的。拟合更多参数需要更长的时间，空间和计算量。区分性模型必须比生成性模型更正规。
【PlayStation 5|机器学习中生成模型和判别模型的官方指南】在生成环境中建立一个简单的模型所需的数据要比在判别环境中建立一个豪华的模型要少。