本文轉(zhuǎn)自徐飛翔的“生成模型和判別模型的區(qū)別”
版權(quán)聲明：本文為博主原創(chuàng)文章，遵循 CC 4.0 BY-SA 版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接和本聲明。
機(jī)器學(xué)習(xí)的目標(biāo)
首先，我們先要討論整個(gè)機(jī)器學(xué)習(xí)的目標(biāo)，在應(yīng)用中最常見到的分類問題中，我們需要根據(jù)現(xiàn)有樣本預(yù)測出其標(biāo)簽
因此我們可以選擇學(xué)習(xí)出條件概率
，如softmax分類器，logistic回歸，亦是或者學(xué)習(xí)出樣本特征
?到標(biāo)簽
?的直接映射（比起前者沒有概率，而是直接的一個(gè)結(jié)果），如感知器Perceptron，SVM支持向量機(jī)。學(xué)習(xí)出了條件概率或者是其映射之后，我們就可以根據(jù)其樣本特征
預(yù)測其標(biāo)簽了
?。
生成模型 or 判別模型
這里，我們直接給出兩者的定義：
判別模型： 模型直接學(xué)習(xí)出條件概率 ，模型包括kNN，感知機(jī)，決策樹，邏輯回歸，最大熵模型，SVM，提升方法，條件隨機(jī)場，神經(jīng)網(wǎng)絡(luò)，···
生成模型： 模型學(xué)習(xí)出聯(lián)合概率分布，然后根據(jù)貝葉斯公式，得出條件概率分布
，模型包括樸素貝葉斯法、隱馬爾科夫模型、混合高斯模型、AODE、Latent Dirichlet allocation（unsup）、Restricted Boltzmann Machine，···
于是，兩者的區(qū)別就是是否需要學(xué)習(xí)出聯(lián)合概率分布 我們這里舉一個(gè)維基百科里面的例子：
假如我們現(xiàn)在有四個(gè)樣本：
在判別模型眼中：
而在生成模型眼中：
而在博客《機(jī)器學(xué)習(xí)之判別式模型和生成式模型》中，舉了一個(gè)很好的例子描述這兩者的區(qū)別，這里引用如下：
判別模型：要確定一個(gè)羊是山羊還是綿羊，用判別模型的方法是從歷史數(shù)據(jù)中學(xué)習(xí)到模型，然后通過提取這只羊的特征來預(yù)測出這只羊是山羊的概率，是綿羊的概率。
生成模型：利用生成模型是根據(jù)山羊的特征首先學(xué)習(xí)出一個(gè)山羊的模型，然后根據(jù)綿羊的特征學(xué)習(xí)出一個(gè)綿羊的模型，然后從這只羊中提取特征，放到山羊模型中看概率是多少，在放到綿羊模型中看概率是多少，哪個(gè)大就是哪個(gè)。
Reference
- Generative Model Wikipedia
- 知乎， 機(jī)器學(xué)習(xí)“判定模型”和“生成模型‘有什么區(qū)別？
- 機(jī)器學(xué)習(xí)之判別式模型和生成式模型