生成模型和判别模型

Bertha 。 2022-10-03 00:58 295阅读 0赞

#  #

#### 什么是判别模型/Discriminative Models ####

咱们先不整那些难懂的数学公式，举两个例子

###### 例子一 ######

假设某手机有三个特征，我们的任务是预测某消费者是会购买还是不会购买该手机。  
所以判别模型是根据已经知道的一些先验知识，从购买和不够买这两种可能中挑选一个。

<table> 
 <thead> 
  <tr> 
   <th>特征</th> 
   <th>对决策的影响</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>运行流畅</td> 
   <td>购买的可能性 +0.1</td> 
  </tr> 
  <tr> 
   <td>充电慢</td> 
   <td>不购买的可能性 +0.4</td> 
  </tr> 
  <tr> 
   <td>屏幕5.5寸</td> 
   <td>不变（可以认为这个消费者不在乎手机的大小）</td> 
  </tr> 
 </tbody> 
</table>

###### 例子二 ######

手写数字识别: 给出一张图，里面有手写体数字一个，需要机器识别数字是几，那么决策有0～9 共10种可能。计算机在识别图片的时候，也是一小块一小块做卷积提取特征，那么为了方便说明，这里我已经手动提取出了3个特征并还原成人可以看懂的样子，如下。

<table> 
 <thead> 
  <tr> 
   <th>特征</th> 
   <th>对决策的影响</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td> 
    <div> 
     <div> 
      <div>
        &nbsp; 
      </div> 
      <div> 
       <img src="https://upload-images.jianshu.io/upload_images/449648-1e1f310d21d48def.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/52/format/webp" alt=""> 
      </div> 
     </div> 
     <div>
       特征一 
     </div> 
    </div> </td> 
   <td>是数字1，4的概率增加</td> 
  </tr> 
  <tr> 
   <td> 
    <div> 
     <div> 
      <div>
        &nbsp; 
      </div> 
      <div> 
       <img src="https://upload-images.jianshu.io/upload_images/449648-f66c486bdb5e0ce4.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/30/format/webp" alt=""> 
      </div> 
     </div> 
     <div>
       特征二 
     </div> 
    </div> </td> 
   <td>是数字2，4，3，6的概率增加</td> 
  </tr> 
  <tr> 
   <td> 
    <div> 
     <div> 
      <div>
        &nbsp; 
      </div> 
      <div> 
       <img src="https://upload-images.jianshu.io/upload_images/449648-8a7083f96f98e8ba.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/40/format/webp" alt=""> 
      </div> 
     </div> 
     <div>
       特征三 
     </div> 
    </div> </td> 
   <td>是数字2，0，8，3，9的概率增加</td> 
  </tr> 
 </tbody> 
</table>

无论是哪个例子，都是通过已经获得的一些信息辅助判断，最后给出一个决策。这也就是那些充满公式的文章所说的条件概率的原因。  
总结来说，判别模型是用来预测在 y 事件已经发生的条件下，x事件发生的概率。

具体到以上的例子，就是特征一出现的条件下，数字是4的概率。或者说已经知道手机充电慢的情况下，购买手机的概率。

#### 什么是生成模型 Generative Models ####

说完了条件概率，接下来就是联合概率。判别模型学习的是条件概率，而生成模型学习的则是联合概率。

为了更好的对比区别，我们还是用上文的例子：

###### 例子一 ######

这里我们要换一个任务，以便理解生成模型。我们的任务是做市场调查，并且完成如下表格的填写。

<table> 
 <thead> 
  <tr> 
   <th>事件发生次数</th> 
   <th>购买</th> 
   <th>没有购买</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>运行流畅</td> 
   <td>220</td> 
   <td>30</td> 
  </tr> 
  <tr> 
   <td>充电慢</td> 
   <td>19</td> 
   <td>100</td> 
  </tr> 
  <tr> 
   <td>屏幕5.5寸</td> 
   <td>45</td> 
   <td>67</td> 
  </tr> 
 </tbody> 
</table>

所以这次我们是要把眼光放大到整个市场。我们需要得到手机运行流畅和被购买了同时发生的联合概率，当然这样的联合还有很多，比如手机5.5寸没有被购买，手机充电慢被购买等等。

###### 例子二 ######

同理，我们在这里需要得到特征一出现并且数字分别是0到9的概率，以及特征二出现并且数字分别是0到9的概率。

如果这些手写数字全部源于一个人只手，我们统计出来的特征，甚至可以用于生成这个人的笔迹，因为这个人写出来的哪些字有哪些特征，概率是多少，我们都知道。

#### 一句话总结 ####

*判别模型* 是在你生父身高超过180的已知条件下，预测你身高会不会超过180。如果你生父比180高，那么你比180高的概率会增加。但是全世界人身高的概率分布暂时并没有改变。  
（为了科学的严谨，这里爸爸已经改成了生父而非父亲）

*生成模型* 则是随机赐予你一个成年后的最高身高。身高超过180的概率是多少，这个概率只能依照全世界所有成人的身高的频率分布来决定。

转载于:https://www.cnblogs.com/simon6666/p/11010099.html