理工酷

本质上讲，机器学习中有两种模型：生成模型和判别模型。 假设你有一个监督学习任务，其中x_i是数据点的给定特征，而y_i是相应的标签。 预测未来的𝑦的一种方法是从（x_i,y_i）学习一个函数𝑓，该函数学习𝑥并输出最可能的𝑦。由于正在学习如何区分不同类别的𝑥，因此此类模型属于判别模型。支持向量机，神经网络等方法都属于此类。即使能够非常准确地对数据进行分类，你也不知道数据是如何生成的。 第二种方法是对数据的生成方式进行建模，并学习一个函数𝑓(𝑥,𝑦)，该函数对由𝑥和𝑦共同确定的配置给出得分。然后，可以通过找到分数最高的那一个𝑓(𝑥,𝑦)来为𝑥预测一个新𝑦。一个典型的例子是高斯混合模型。 假设你的数据如下所示： 假定数据点的生成如下： 1.对一个簇进行采样：红色，绿色或蓝色。 2.给定簇，从该簇中心周围的高斯分布中绘制一个数据点。 第一步，需要一个分布𝑃(𝑦)。 第二步，需将分布𝑃（𝑥|y_1），𝑃（𝑥|y_2）和𝑃（𝑥|y_3）定义为均值和方差不同的高斯分布。根据步骤1的输出，可以从其中一个分布中进行采样。 联合概率𝑃（𝑥,𝑦）由𝑃（𝑦）𝑃（𝑥|𝑦）给出。 因此，与判别模型设置不同，你已经明确地建模了数据的生成方式。请注意，真实数据几乎总是从复杂得多的过程中生成的，算法的性能将取决于模拟真实世界数据生成的能力。