【摘要】
判別式模型，就是只有乙個模型，你把測試用例往裡面一丟，label就出來了，如svm。生成式模型，有多個模型(一般有多少類就有多少個)，你得把測試用例分別丟到各個模型裡面，最後比較其結果，選擇最優的作為label，如樸素貝葉斯。本文將從生成式模型與判別式模型的概念，適用環境以及具體模型三個方面分析比較這兩個模型，並在最後對列出模型範例，進行範例比較。
【基本概念】
【適用環境】
更進一步，從結果角度，兩種模型都能給你 輸出量(label 或 y etc.)。
【具體模型】
更進一步，可以再理解一下：
生成式模型
判別式模型
【模型範例】
假設你現在有乙個分類問題，x是特徵，y是類標記。用生成模型學習乙個聯合概率分布p(x，y)，而用判別模型學習乙個條件概率分布p(y|x)。用乙個簡單的例子來說明這個這個問題。假設x就是兩個(1或2)，y有兩類(0或1)，有如下如下樣本(1，0)、(1，0)、(1，1)、(2，1)
則 學習到的聯合概率分布(生成模型)如下：01
11/2
1/42
01/4
而學習到的條件概率分布（判別模型）如下： 0
112/31/320
1在實際分類問題中，判別模型可以直接用來判斷特徵的類別情況，而生成模型，需要加上貝耶斯法則，然後應用到分類中。但是，生成模型的概率分布可以還有其他應用，就是說生成模型更一般更普適。不過判別模型更直接，更簡單。
兩種方法目前交叉較多。由生成式模型可以得到判別式模型，但由判別式模型得不到生成式模型。
關於生成式模型和判別式模型的優缺點的具體分析，
詳見：判別式模型 vs. 生成式模型。
詳址：
機器學習基礎 生成模型和判別模型
決策函式y f x 你輸入乙個x，它就輸出乙個y，這個y與乙個閾值比較，根據比較結果判定x屬於哪個類別。例如兩類 w1和w2 分類問題，如果y大於閾值，x就屬於類w1，如果小於閾值就屬於類w2。這樣就得到了該x對應的類別了。你輸入乙個x，它通過比較它屬於所有類的概率，然後輸出概率最大的那個作為該x對...
機器學習 生成模型與判別模型詳解
3.如何選擇哪種模型 生成模型 generative model,gm 先對聯合概率p x p x,p x,建模，然後再求取後驗概率模型。判別模型 discriminative model,dm 從資料集d中直接估計後驗概率模型 p 1 x p 2 x p n x p 1 x p 2 x p n x...
生成模型和判別模型
監督學習的結果是得到乙個分類或 模型，應用該模型可以對給定輸入 x 得到相應的輸出 y,即 y f x 或者p y x 根據不 同類對應 的後驗概 率判斷所 屬類別 根據模型是否表示了x 到 y的生成過程將模型分為兩種，生成方式 判別方式。生成模型p y x p x y p x 如樸素貝葉斯法 隱馬...