判別模型：由資料直接學習決策函式y=f(x)或者條件概率分布p(y|x)作為**的模型，即判別模型。基本思想是有限樣本條件下建立判別函式，不考慮樣本的產生模型，直接研究**模型。典型的判別模型包括k近鄰，感知級，決策樹，支援向量機等。
生成模型：由資料學習聯合概率密度分布p(x,y)，然後求出條件概率分布p(y|x)作為**的模型，即生成模型：p(y|x)= p(x,y)/ p(x)。基本思想是首先建立樣本的聯合概率概率密度模型p(x,y)，然後再得到後驗概率p(y|x)，再利用它進行分類。常見的有nb hmm模型。
生成模型與判別模型 - csdn部落格簡單來說，判別模型就是直接採用輸入特徵去**輸出，或者說是條件概率。而生成模型關注的是抓去樣本的分布特徵，通過建立每個類別的特徵分布，最終建立的很多類別的生成器來覺得到底哪個最像。機器學習「判定模型」和「生成模型『有什麼區別？
機器學習--判別式模型與生成式模型 - 博臨天下 -
生成模型 VS 判別模型
監督學習的任務就是學習乙個模型，應用這一模型，對給定的輸入 相應的輸出，這一模型一般形式為決策函式 y f x y f left x right y f x 或者條件概率分布 p y x p left y mid x right p y x f x,y y f left x y right y f ...
生成模型 VS 判別模型
所謂概率模型,顧名思義,就是將學習任務歸結於計算變數的概率分布的模型。概率模型非常重要。在生活中,我們經常會根據一些已經觀察到的現象來推測和估計未知的東西 這種需求,恰恰是概率模型的推斷 inference 行為所做的事情。推斷 inference 的本質是 利用可觀測變數,來推測未知變數的條件分布...
生成模型VS判別模型
監督學習方法可以分為生成方法和判別方法，所學習得到的模型分別為生成模型和判別模型。生成方法由資料學習聯合概率分布p x,y 然後求出條件概率分布p y x 作為 的模型，即生成模型 典型的生成模型有樸素貝葉斯，隱馬爾可夫模型 因為模型表示了給定輸入x和產生輸出y的生成關係，即聯合概率分布p x,y ...