資料結構
網路
關係型資料庫管理系統 (RDBMS)
作業系統
Java
Microsoft Excel
iOS
HTML
CSS
Android
Python
C 語言程式設計
C++
C#
MongoDB
MySQL
JavaScript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究生成模型和判別模型的區別
機器學習的兩個主要正規化，即生成模型和判別模型，都廣泛應用於各個領域。換句話說，判別模型專注於對劃分不同資料類別的邊界進行建模，而生成模型則試圖捕捉資料的潛在分佈。資料科學家和機器學習專家必須瞭解這兩種模型之間的區別，以便為特定任務選擇最佳模型。此外，儘管生成模型最近因其生成與原始資料分佈非常相似的新資料的能力而變得越來越受歡迎，但判別模型通常用於分類和迴歸等任務。
什麼是生成模型？
生成模型是一種機器學習模型，旨在捕捉資料的潛在分佈並生成與原始資料類似的新資料。與判別模型（對給定輸入的輸出的條件機率進行建模）不同，生成模型對輸入和輸出的聯合機率分佈進行建模。透過從先前學習的機率分佈中取樣，生成模型可以生成新的資料樣本。生成模型包括變分自動編碼器（VAE）、生成對抗網路（GAN）和受限玻爾茲曼機（RBM）。異常檢測、語音合成以及影像和文字生成等應用通常使用生成模型。
什麼是判別模型？
判別模型是一種機器學習模型，旨在理解不同資料型別之間的邊界。與生成模型（對輸入和輸出的聯合機率分佈進行建模）不同，判別模型直接表示給定輸入的輸出的條件機率。邏輯迴歸、支援向量機（SVM）和決策樹是一些判別模型的例子。分類、迴歸和異常檢測等應用通常使用判別模型。在分類任務中，目標是將輸入資料準確地分配到特定的類別，判別模型通常優於生成模型，因為它們專注於對類別之間的邊界進行建模。
生成模型與判別模型
生成模型 |
判別模型 |
|---|---|
生成模型的基本目標是生成新資料並理解輸入的機率分佈。 |
判別模型的主要目標是將資料分類到不同的類別中。 |
生成模型需要大量輸入資料來學習機率分佈。 |
判別模型需要帶標籤的輸入資料來學習一個類別結束另一個類別開始的地方。 |
生成模型生成的原始資料分佈和新資料相似。 |
判別模型的輸出標籤識別輸入資料的型別。 |
生成模型比判別模型更難構建，因為需要了解資料的機率分佈。 |
判別模型更容易構建，因為它們只需要瞭解一個類別結束另一個類別開始的地方。 |
生成模型生成的新資料點可以類似於原始資料分佈。 |
由於判別模型能夠識別多個類別之間的邊界，因此在分類任務中表現更好。 |
生成模型常用於語音和影像識別軟體。 |
判別模型通常用於語音和影像識別等分類任務。 |
生成模型可以分析未標記的資料來發現資料的機率分佈。 |
判別模型需要帶標籤的資料來學習一個類別結束另一個類別開始的地方。 |
由於生成模型學習資料的機率分佈，因此容易過擬合。 |
由於判別模型只需要學習多個類別之間的邊界，因此不太容易過擬合。 |
結論
出於多種原因，理解生成模型和判別模型之間的區別至關重要。第一個好處是它可以幫助機器學習專家選擇最適合特定問題的策略。例如，判別模型廣泛用於分類和迴歸任務，而生成模型常用於生成文字和圖形的應用。其次，瞭解這些模型有助於從業者更加了解每種方法的侷限性和潛在假設。最後，透過區分生成模型和判別模型，從業者可以以新的方式結合這些方法來提高機器學習系統的效能。最後但並非最不重要的一點是，瞭解這兩種策略可以幫助機器學習從業者緊跟最新的創新和行業最佳實踐。
6K+ 閱讀量
