判别模型和生成模型

五月两场 | NVIDIA DLI 深度学习入门课程

5月19日/5月26日 一天密集式学习  快速带你入门 阅读全文 >

正文共721个字，预计阅读时间3分钟。

判别模型和生成模型总结与对比：

	判别模型(Discriminative Models)	生成模型(Generative Models)
特点	在有限样本条件下建立判别函数，寻找不同数据间的最优分类面，目标是实现分类	首先建立样本的联合概率分布，再利用模型进行推理预测。要求已知样本无穷或尽可能的大
区别	估计条件概率分布P(y\x)	估计联合概率分布P(x,y)
联系	生成模型可得到判别模型	判别模型得不到生成模型
常见模型	ME、CRF、LR、SVM、Boosting、线性回归、NN	NB、HMM、Gaussian mixture model、AODE、Latent Dirichlet allocation、Restricted Boltzmann Machine
优势	1.面向分类边界的训练、比使用纯方法高级。 2.能够清晰地分辨类别之间的差异特征。 3.可用于多类对的学习和识别。 4.简单、容易学习。	1.面向整体数据的分布。 2.能够反映同类数据本身的相似度。 3.模型可以通过增量学习得到。 4.可用于数据不完整的情况
劣势	1.不能反映训练数据本身的特性，只能用于类别识别。 2.在训练时需要考虑所有的数据元组，当数据量很大时，该方法的效率并不高 3.缺乏灵活的建模工具和插入先验知识的方法。黑盒操作：变量间的关系不可视	1.生成模型分类器需要产生的所有变量的联合概率，资源使用量大。 2.分类性能不高，类别识别精度有限。 3.学习和计算过程复杂。
性能	较高	较低
NLP应用	所有的序列标注和结构化学习	文本分类、词性标注等

原文链接：https://www.jianshu.com/p/e57aabf32c18

查阅更为简洁方便的分类文章以及最新的课程、产品信息，请移步至全新呈现的“LeadAI学院官网”：

www.leadai.org

请关注人工智能LeadAI公众号，查看更多专业文章

大家都在看

LSTM模型在问答系统中的应用

基于TensorFlow的神经网络解决用户流失概览问题

最全常见算法工程师面试题目整理（一）

最全常见算法工程师面试题目整理（二）

TensorFlow从1到2 | 第三章 深度学习革命的开端：卷积神经网络

装饰器 | Python高级编程

今天不如来复习下Python基础