判別模型

在機器學習領域判別模型是一種對未知數據 $y$ 與已知數據 $x$ 之間關係進行建模的方法。判別模型是一種基於概率理論的方法。已知輸入變量 $x$ ，判別模型通過構建條件概率分佈 $P(y|x)$ 預測 $y$ 。

與生成模型不同，判別模型不考慮 $x$ 與 $y$ 間的聯合分佈。對於諸如分類和回歸問題，由於不考慮聯合概率分佈，採用判別模型可以取得更好的效果^[1]^[2]^[3]。而生成模型在刻畫複雜學習任務中的依賴關係方面則較判別模型更加靈活。大部分判別模型本身是監督學習模型，不易擴展用於非監督學習過程。實踐中，需根據應用的具體特性來選取判別模型或生成模型。

種類

參見

生成模型

參考

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

這是一篇與科學相關的小作品。您可以透過編輯或修訂擴充其內容。

[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

[1]

[2]

[3]