判别式模型与生成式模型

判别式模型

该模型主要对p(y|x)建模，通过x来预测y。在建模的过程中不需要关注联合概率分布。只关心如何优化p(y|x)使得数据可分。通常，判别式模型在分类任务中的表现要好于生成式模型。但判别模型建模过程中通常为有监督的，而且难以被扩展成无监督的。

　　常见的判别式模型有：

　　　　Logistic regression

　　　　Linear discriminant analysis

　　　　Support vector machines

　　　　Boosting

　　　　Conditional random fields

　　　　Linear regression

　　　　Neural networks

生成式模型

该模型对观察序列的联合概率分布p(x,y)建模，在获取联合概率分布之后，可以通过贝叶斯公式得到条件概率分布。生成式模型所带的信息要比判别式模型更丰富。除此之外，生成式模型较为容易的实现增量学习。

    常见的生成式模型有:

    　　Gaussian mixture model and other types of mixture model

　　　　Hidden Markov model

　　　　Naive Bayes

　　　　AODE

　　　　Latent Dirichlet allocation

　　　　Restricted Boltzmann Machine

    由上可知，判别模型与生成模型的最重要的不同是，训练时的目标不同，判别模型主要优化条件概率分布，使得x,y更加对应，在分类中就是更可分。而生成模型主要是优化训练数据的联合分布概率。而同时，生成模型可以通过贝叶斯得到判别模型，但判别模型无法得到生成模型。