- 综合排序
- 最热优先
- 最新优先
- 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 1.3 两个模型的小结不管是生成式模型还是判别式模型，它们最终的判断依据都是条件概率P(y|x)，但是生成式模型先计算了联合概率P(x,y)，再由贝叶斯公式计算得到条件概率。 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。 生成式模型的学习收敛速度更快，当样本容量增加时，学习到的模型可以更快的收敛到真实模型，当存在隐变量时，依旧可以用生成式模型，此时判别式方法就不行了。
89000编辑于 2023-08-17 - 来自专栏全栈程序员必看
生成模型_常见的模型生成方式
（一）生成模型简介 1、什么是生成模型 在概率统计理论中，生成模型是指能够在给定某些隐含参数的条件下，随机设工程观测数据的模型，他给观测值和标测数据序列指定一个联合概率分布，在机器学习中，生成模型可以用用来直接对数据进行建模 ，如根据某个变量的概率密度函数进行数据采样，也可以用来建立变量间的条件概率分布，条件概率分布可以由生成模型根据贝叶斯定理形成。 对于生成模型，可以分为两种类型， （1）可以完全表示出确切的分布函数 （2）第二种生成模型智能做到新数据的生成，二数据分布函数是模糊的。 生成模型的作用： （1）生成模型具有表现和处理高维概率分布的能力，而这种能力可以有效应用在数学或工程领域。 （2）与强化模型结合。 （3）通过提供生成数据，优化完善半监督学习。 生成模型： 自动编码器 变分自动编码器 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/166893.html原文链接：https://javaforall.cn
99520编辑于 2022-09-19 - 来自专栏人工智能LeadAI
判别模型和生成模型
判别模型和生成模型总结与对比： 判别模型(Discriminative Models) 生成模型(Generative Models) 特点 在有限样本条件下建立判别函数，寻找不同数据间的最优分类面， 目标是实现分类 首先建立样本的联合概率分布，再利用模型进行推理预测。 要求已知样本无穷或尽可能的大 区别 估计条件概率分布P(y\x) 估计联合概率分布P(x,y) 联系 生成模型可得到判别模型 判别模型得不到生成模型 常见模型 ME、CRF、LR、SVM、Boosting 3.模型可以通过增量学习得到。4.可用于数据不完整的情况 劣势 1.不能反映训练数据本身的特性，只能用于类别识别。 黑盒操作：变量间的关系不可视 1.生成模型分类器需要产生的所有变量的联合概率，资源使用量大。2.分类性能不高，类别识别精度有限。3.学习和计算过程复杂。
79440发布于 2018-07-30 - 来自专栏YoungGy
判别模型和生成模型
监督学习方法分为生成方法和判别方法，学习到的模型分为生成模型和判别模型。 例子 对于简单的二分类问题 判别模型：学到一个好的分界线，直接把两类区分开 生成模型：学到两类各自的分布，当新的数据来的时候，看看属于哪个分布从而区分数据 判别模型与生成模型的对比 特点 判别模型 生成模型 )=P(X|Y)P(Y) 特点 反映异类差异；学习准确率更高；不需要数据分布的假设 反映同类的相似度；反映数据本身的特性；收敛更快，适合数据较小的情况 典型方法 逻辑回归、SVM 朴素贝叶斯、马尔科夫模型 、高斯混合模型
1.1K100发布于 2018-01-02 - 来自专栏Coggle数据科学
判别模型与生成模型
概述 监督学习方法可以分为生成方法(generative approach)和判别方法(discriminative approach)，所学到的模型分别称为生成模型(generative model) 生成模型 生成方法由数据学习输入和输出联合概率分布 ? ，然后求出后验概率分布 ? 作为预测的模型，即生成模型。这里以朴素贝叶斯为例，我们要求的目标可以通过： ? ---- 判别模型与生成模型比较 判别模型： 优点： 1）仅需要有限的样本。节省计算资源，需要的样本数量也少于生成模型。 2）生成模型收敛速度比较快，即当样本数量较多时，生成模型能更快地收敛于真实模型。 3）生成模型能够应付存在隐变量的情况，比如混合高斯模型就是含有隐变量的生成方法。 ，但由判别模型得不到生成模型。
1.2K30发布于 2019-08-29 - 来自专栏NLP算法工程师之路
生成模型和判别模型
生成模型可以产生数据，判别模型只能根据数据做判断。 生成模型的指导思想是贝叶斯，判别模型的指导思想是频率学派 生成模型 生成模型（Generaive Model）一般以概率的方式描述了数据的产生方式，通过对模型采样就可以产生数据。 一个简单例子：给定平面上一系列点，我可以认为这些点是根据一个二维高斯分布产生的，这就是一个生成模型，它可以产生数据。 判别模型 判别模型（Discriminative Model）对数据之间的映射关系建模，而不考虑数据本身是如何生成的。 ） 变分自动编码器 生成对抗性网络 判别模型 k-最近邻算法 逻辑回归 支持向量机 最大熵马尔可夫模型 条件随机场 神经网络
1.3K10发布于 2019-12-18 - 来自专栏数据科学和人工智能
深度生成模型
本次课将首先介绍生成模型的概念以及适用场景。进一步讲解基于能量的模型，包括受限玻尔兹曼机（RBM）和深度玻尔兹曼机等。它们既是早期的神经网络模型，也是经典的生成模型。 2 基于能量的模型：玻尔兹曼机 3 变分自编码器 4 生成对抗网络（GAN） 1 生成模型介绍 下图展示了生成模型的分类。 其中基于极大似然的生成模型分为概率密度和有隐式概率密度两种。还可以进一步对这些模型进行划分。本次课程讲解其中的一部分，例如玻尔兹曼机、VAE还有GAN等。 生成模型能够从训练集中学习数据分布。 然后根据 采样，来生成下图右边所示的图像。在这个例子中，生成模型主要做的事情是抓住手写数字图像的结构，以生成的类似的图像。 生成模型在很多领域都有着重要的应用。 在学术界，关于生成模型的评价方式其实也比较不一致。什么是一个好的生成式模型？这是个很大的问题。现在是用极大似然函数来比较模型到底做的好不好。
1.3K10编辑于 2022-03-31 - 来自专栏机器学习AI算法工程
判别模型 和 生成模型
【摘要】 - 生成模型：无穷样本==》概率密度模型 = 产生模型==》预测 - 判别模型：有限样本==》判别函数 = 预测模型==》预测 【简介】 简单的说，假设o是观察值，q是模型 通过使用贝叶斯rule可以从生成模型中得到条件分布。 如果观察到的数据是完全由生成模型所生成的，那么就可以fitting生成模型的参数，从而仅可能的增加数据相似度。 但数据很少能由生成模型完全得到，所以比较准确的方式是直接对条件密度函数建模，即使用分类或回归分析。 与描述模型的不同是，描述模型中所有变量都是直接测量得到。 theoretic formulation Genomics and Bioinformatics Sequences represented as generative HMMs 【两者之间的关系】 由生成模型可以得到判别模型 ，但由判别模型得不到生成模型。
1.3K60发布于 2018-03-12 - 来自专栏浪浪山下那个村
生成模型和判别模型
生成方法和判别方法 监督学习方法又分生成方法（Generative approach）和判别方法（Discriminative approach），所学到的模型分别称为生成模型（Generative Model ）和判别模型（Discriminative Model） 判别方法 由数据直接学习决策函数 或者条件概率分布 作为预测的模型，即判别模型。 缺点是不能反映训练数据本身的特性 生成方法 由数据学习联合概率密度分布 ，然后求出条件概率分布 作为预测的模型，即生成模型： image.png 基本思想是首先建立样本的联合概率概率密度模型 这样的方法之所以成为生成方法，是因为模型表示了给定输入X产生输出Y的生成关系。用于随机生成的观察值建模，特别是在给定某些隐藏参数情况下。典型的生成模型有：朴素贝叶斯法、马尔科夫模型、高斯混合模型。 生成方法的特点: 从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度; 生成方法还原出联合概率分布，而判别方法不能； 生成方法的学习收敛速度更快、即当样本容量增加的时候，学到的模型可以更快地收敛于真实模型
96230编辑于 2022-06-17 - 来自专栏J博士的博客
概率生成模型
对于一个分类问题，首先要有数据，然后需要找到一个模型f，定义loss function，最后找到表现最好的f的参数。 从概率上讲，分类问题其实就是根据训练数据估计新的数据属于哪一类的概率。 在讲概率生成模型前需要介绍高斯分布函数。 ? 输入是特征向量x，输出是x的概率，高斯函数的形状由均值和协方差矩阵决定。 ? ? 如何找高斯分布模型呢？——使用极大似然估计的方法。 ? ? 得到模型后就可以做分类了。 ? 可以设定阈值，比如大于0.5就属于某一类。 ? 因此需要改进模型，即两个高斯分布共享协方差矩阵，这样模型的参数就更少了。 ? ? 改正后的模型准确率提高到74%，有意思的是分类边界变成线性的了。 ? 可能最开始你就有疑问为什么要假定是高斯分布？ 在概率模型中通过计算均值、协方差矩阵等来得到模型参数， 所以直接从训练数据中得到线性模型的参数不更好吗？ ?
81430发布于 2020-03-12 - 来自专栏SIGAI学习与实践平台
理解生成模型与判别模型
导言 我们都知道，对于有监督的机器学习中的分类问题，求解问题的算法可以分为生成模型与判别模型两种类型。但是，究竟什么是生成模型，什么是判别模型？不少书籍和技术文章对这对概念的解释是含糊的。 第一种定义 对于判别模型和生成模型有两种定义，第一种定义针对的是有监督学习的分类问题。 第一种做法称为生成模型。 一般来说，我们把使用第一种模型的分类器称为生成式分类器，把使用第二种和第三种模型的分类器称为判别式分类器。 第二种定义 除此之外，对生成模型和判别模型还有另外一种定义。 根据这种定义，生成模型可以用来根据标签值y生成随机的样本数据x。
1.4K30发布于 2018-10-18 - 来自专栏SIGAI学习与实践平台
理解生成模型与判别模型
1536738846贝叶斯-01.png 导言 我们都知道，对于有监督的机器学习中的分类问题，求解问题的算法可以分为生成模型与判别模型两种类型。但是，究竟什么是生成模型，什么是判别模型？ 第一种定义 对于判别模型和生成模型有两种定义，第一种定义针对的是有监督学习的分类问题。 第一种做法称为生成模型。 一般来说，我们把使用第一种模型的分类器称为生成式分类器，把使用第二种和第三种模型的分类器称为判别式分类器。 第二种定义 除此之外，对生成模型和判别模型还有另外一种定义。 根据这种定义，生成模型可以用来根据标签值y生成随机的样本数据x。
1.2K20发布于 2018-10-10 - 来自专栏数据万花筒
模型分类之生成模型与鉴别模型
一、生成模型与判别模型概述 生成模型是通过联合概率分布来求条件概率分布，而判别模型是通过数据直接求出条件概率分布，换句话说也就是，生成模型学习了所有数据的特点，判别模型则只是找出分界。 ? 二、生成模型与鉴别模型详细介绍 ? ? 三、生成模型与判别模型的优缺点 概率图分为有向图（bayesian network）与无向图（markov random filed）。 在概率图上可以建立生成模型或判别模型。有向图多为生成模型，无向图多为判别模型。 生成模型（Generative Model），又叫产生式模型。 通过使用贝叶斯规则可以从生成模型中得到条件分布。如果观察到的数据是完全由生成模型所生成的，那么就可以拟合生成模型的参数，从而仅可能的增加数据相似度。 ； （5）判别模型的性能比生成模型要简单，比较容易学习。
2.1K20发布于 2020-12-30 - 来自专栏AI智韵
分形生成模型
类似于数学中的分形，我们的方法通过递归调用原子生成模块，构建了一种新型生成模型，从而形成了自相似的分形架构，我们称之为分形生成模型。 基于这一概念，我们提出将生成模型本身抽象为一个模块，以开发更先进的生成模型。具体来说，我们介绍了一种通过在其内部递归调用同类生成模型而构建的生成模型。 因此，一个图像生成模型可以由本身是图像生成模型的模块组成。 所提出的分形生成模型受到了生物神经网络和自然数据中观察到的分形特性的启发。类似于自然分形结构，我们设计的关键组件是定义递归生成规则的生成器。 分形生成模型 分形生成模型背后的关键思想是从现有的原子生成模块递归地构建更高级的生成模型。在本节中，我们首先介绍分形生成模型背后的高层次动机和直觉。 3.2 自回归模型作为分形生成器 在本节中，我们说明了如何使用自回归模型作为分形生成器来构建分形生成模型。我们的目标是建模一大组随机变量的联合分布，但直接使用单个自回归模型来建模在计算上是不可行的。
51210编辑于 2025-03-03 - 来自专栏烤包子
从GIS地图生成生成建筑模型
01截取要生成的地块 02PS处理要生成的地块 03inkscape生成SVG 04Blender导入SVG减面后再生成建筑体块 05最终效果
1.6K10发布于 2021-11-10 - 来自专栏深度学习
序列生成模型（一）：序列概率模型
应用： 样本生成在生成式模型中非常重要，例如，在自然语言生成、图像生成、音乐生成等任务中，我们希望模型能够生成符合特定规律或者语境的新序列。 解决这两个问题的方法通常依赖于具体的序列概率模型。 这些模型在深度学习中被广泛应用，能够学习并捕捉序列数据中的复杂关系，从而进行概率密度估计和样本生成。 一、序列概率模型 1. 这种分解的思想为使用自回归生成模型（如循环神经网络、变压器等）建模序列提供了理论基础。这些模型在每个时刻上生成一个新的变量，依赖于前面时刻的变量，从而能够捕捉到序列中的复杂依赖关系。 因此，这一类模型也被称为自回归生成模型（AutoRegressive Generative Model）。 深度序列模型通常能够更灵活地捕捉序列中的复杂关系，但在某些情况下，N元统计模型可能仍然是一个有效的选择。 2. 序列生成
70210编辑于 2024-07-30 - 来自专栏自然语言处理
判别式模型(discriminative model)和生成模型（generative model）判别模型生成模型相关阅读
已知输入变量x，判别模型(discriminative model)通过求解条件概率分布P(y|x)或者直接计算y的值来预测y。 生成模型（generative model）通过对观测值和标注数据计算联合概率分布P(x,y)来达到判定估算y的目的。 判别模型 常见的判别模型有线性回归（Linear Regression）,逻辑回归（Logistic Regression）,支持向量机（SVM）, 传统神经网络（Traditional Neural Networks）,线性判别分析（Linear Discriminative Analysis），条件随机场（Conditional Random Field）； 生成模型 常见的生成模型有朴素贝叶斯（ 相关阅读 判别式模型 vs. 生成式模型 ?
1.2K80发布于 2018-07-04 - 来自专栏数据派THU
生成式模型与辨别式模型
生成式模型是一种能够学习数据生成过程的模型，它可以学习输入数据的概率分布，并生成新的数据样本。 更具体地说生成模型首先从训练数据中估计类别的条件密度P(x|y = k)和先验类别概率P(y = k)。 为生成模型允许我们从学习的输入分布P(x|y)中生成新的样本。所以我们将其称之为生成式模型。最简单的例子是，对于上面的模型我们可以通过从P(x|y = 1)中采样来生成新的狗的图像。 一般的生成模型包括 朴素贝叶斯(Naïve Bayes) 高斯混合模型(GMMs) 隐马尔可夫模型(hmm) 线性判别分析 (LDA) 深度生成模型(DGMs)结合了生成模型和深度神经网络： 自编码器（ 区别和优缺点 生成式模型和辨别式模型的主要区别在于它们学习的目标不同。生成式模型学习输入数据的分布，可以生成新的数据样本。辨别式模型学习输入数据和输出标签之间的关系，可以预测新的标签。 生成模型可以处理多模态数据，因为生成式模型可以建立输入数据和输出数据之间的多元联合分布，从而能够处理多模态数据。
76820编辑于 2023-05-11 - 来自专栏在线制图
一款在线ER模型生成的工具: MySQL逆向工程，ER模型生成，通过DDL语句生成ER模型
我是如何生成ER模型图，无脑加小白生成ER模型，还用画ER模型图吗，直接导入，数据库视图直接导入查看。 Freedgo(自由行走) Design 一款在线ER模型生成的工具，可以针对MySQL的DDL文件在线生成ER模型图表。 支持导入SQL文件创建ER模型， 支持create table,alter table。 支持主键、外键显示 具体操作如下： 步骤一： 首先访问https://www.freedgo.com/draw_index.html,点击 调整图形 -> 插入 -> From MySQL [在线制图_ER模型 ] 步骤二: 使用工具生成数据库表结构SQL语句，然后copy到输入框，点击Insert MySQL [在线制图_ER模型]
5.5K12发布于 2019-06-12 - 来自专栏有三AI
【生成模型】解读显式生成模型之完全可见置信网络FVBN
上一期为大家说明了什么是极大似然法，以及如何使用极大似然法搭建生成模型，本期将为大家介绍第一个显式生成模型完全可见置信网络FVBN。 PixelRNN和PixelCNN也属于完全可见置信网络，从名字可以看出，这两个模型一般用于图像的生成。 在PixelRNN中，一般定义从左上角开始沿着右方和下方依次生成每一个像素点，如下图所示。这样，对数似然的表达式便可以得到，训练模型时只需要将其极大化即可。 ? PixelRNN和PixelCNN此后仍有非常多改进模型，但由于它是逐个像素点地生成图片，具有串行性，故在实际应用中效率难以保证，这也是FVBN模型的通病。 ? 深度学习 总结 本期带大家学习了第一种显式生成模型完全可见置信网络，并对其中的自回归网络和pixelRNN，pixelCNN做了讲解，并讲解了一份完整的pixelCNN代码。
1.2K20发布于 2020-11-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号