判别模型

维基百科,自由的百科全书
跳转至: 导航搜索

机器学习领域判别模型是一种对未观测数据 y 与已观测数据 x 之间关系进行建模的方法。在概率框架内,已知输入变量 x ,判别模型通过求解条件概率分布 P(y|x) 预测 y

生成模型不同,判别模型不考虑 xy 间的联合分布。但对于诸如分类和回归问题,由于不考虑联合概率分布,采用判别模型可以取得更好的效果[1][2][3]。另一方面,生成模型在刻画复杂学习任务中的依赖关系方面较判别模型更加灵活。大部分判别模型本身是监督学习模型,不易扩展用于非监督学习过程。具体应用的特点最终决定判别模型生成模型的适用性。

参见[编辑]

生成模型

参考[编辑]

  1. ^ P. Singla and P. Domingos. Discriminative training of Markov logic networks. In AAAI, 2005.
  2. ^ J. Lafferty, A. McCallum, and F. Pereira. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data. In ICML, 2001.
  3. ^ A. Ng and M. I. Jordan. On Discriminative vs. Generative Classifiers: A Comparison of Logistic Regression and Naive Bayes. In NIPS, 2001