机器学习：生成模型和判别模型
经典提问：Navie Bayes和Logistic回归区别是什么？
Navie Bayes是生成式模型，Logistic回归是判别式模型，二者的区别就是生成式模型与判别式模型的区别。
首先，Navie Bayes通过已知样本求得先验概率P(Y), 及条件概率P(X|Y), 对于给定的实例，计算联合概率，进而求出后验概率。也就是说，它尝试去找到底这个数据是怎么生成的（产生的），然后再进行分类。哪个类别最有可能产生这个信号，就属于那个类别。
优点：样本容量增加时，收敛更快；隐变量存在时也可适用。
缺点：时间长；需要样本多；浪费计算资源
相比之下，Logistic回归不关心样本中类别的比例及类别下出现特征的概率，它直接给出预测模型的式子。设每个特征都有一个权重，训练样本数据更新权重w，得出最终表达式。梯度法。
优点：直接预测往往准确率更高；简化问题；可以反应数据的分布情况，类别的差异特征；适用于较多类别的识别。
缺点：收敛慢；不适用于有隐变量的情况。
---------------------------------------------------------------------------------------------------------------
1. 定义
对o和s进行统计建模，通常有两种方式：
(1)生成模型
构建o和s的联合分布p(s,o) = p(s) *p(o|s)
基本思想：由数据学习联合概率P(s,o)，然后求出后验概率P(s|o)作为预测的模型，即生成模型：P(s|o)= P(s,o)/ P(o)。
注意，这里是先求出P(s,o)才得到P(s|o)的，然后这个过程还得先求出P(o)。
(2)判别模型
基本思想：有限样本条件下建立判别函数，不考虑样本的生成模型，直接研究预测模型。
典型判别模型：k近邻，决策树，logistic回归，支持向量机，感知机等。
典型生成模型：朴素贝叶斯、隐马尔科夫模型等。
2. 对比
共同点：都用于监督学习；生成式模型可以根据贝叶斯公式得到判别式模型，但反过来不行。
生成方法的特点：
生成方法学习联合概率密度分布P(X,Y)，所以就可以从统计的角度表示数据的分布情况，能反映同类数据本身的相似度。但不关心分各类边界在哪。
生成方法可以还原出联合概率分布P(Y|X)，而判别方法不能。
生成方法的学习收敛速度更快，即当样本容量增加的时候，学到的模型可以更快的收敛于真实模型。
当存在隐变量时，仍可以用生成方法学习。此时判别方法就不能用。
判别方法的特点：
判别方法直接学习的是决策函数Y=f(X)或者条件概率分布P(Y|X)。不能反映训练数据本身的特性。
但它寻找不同类别之间的最优分类面，反映的是异类数据之间的差异。
直接面对预测，往往学习的准确率更高。
由于直接学习P(Y|X)或P(X)，可以对数据进行各种程度上的抽象、定义特征并使用特征，因此可以简化学习问题。
总而言之：
生成算法尝试去找到底这个数据是怎么生成的（产生的），然后再对一个信号进行分类。
基于你的生成假设，那么那个类别最有可能产生这个信号，这个信号就属于那个类别。
判别模型不关心数据是怎么生成的，它只关心信号之间的差别，然后用差别来简单对给定的一个信号进行分类。
3. 优缺点
判别式优点:
分类边界更灵活，比使用纯概率方法或生产模型得到的更高级。
能清晰的分辨出多类或某一类与其他类之间的差异特征。
在聚类、viewpoint changes, partial occlusion and scale variations中的效果较好。
适用于较多类别的识别。
生成式优点：可以增量式训练。
4. 主要模型
生成式：
Gaussians, Naive Bayes, Mixtures of multinomials高斯、朴素贝叶斯、混合指数
Mixtures of Gaussians, Mixtures of experts, HMMs混合高斯、专家混合
Sigmoidal belief networks, Bayesian networks反曲信念网络、贝叶斯网络
Markov random fields，EM，LDA马尔可夫随机场、EM算法、线性判别分析（类似PCA）
判别式：
logistic regressionlogistic回归
线性回归以及各种回归（什么叫回归呢，就是用函数拟合点，使得误差最小，然后用各种下降法使得误差最小）
SVMs支持向量机
traditional neural networks传统神经网络
Nearest neighbor最近邻算法
Conditional random fields(CRF) 条件随机场
参考：生成模型与判别模型、判别式和产生式的区别