1、生成式模型
常见的生成式模型有：
• 线性判别式分析 (Linear Discriminant Analysis)
• 朴素贝叶斯 (Native Bayesian)
• K近邻 (KNN)
• 混合高斯模型 (GaussianMixture Model)
• 隐马尔科夫模型 (HiddenMarkov Model)
• 贝叶斯网络 (Bayesian Networks)
• 马尔科夫随机场 (Markov Random Fields)
• 深度信念网络 (Deep Belief Networks)
其特点在于（相比于判别式模型）：
• 通常收敛速度较快，少量样本就可以收敛
• 能应付隐变量
• 需要对数据分布做出假设（比方朴素贝叶斯假设特征分布符合条件独立的假设）
• 计算量大
• 实践效果（比如分类）稍差
• 容易过拟合
• 更好利用无标签数据（DBN）
• 添加新的类别时，计算新的联合分布即可，不需要全部数据重新训练
• 能检测异常值
2、判别式模型
常见的判别式模型有：
• 线性回归 (LinearRegression)
• 逻辑斯蒂回归 (LogisticRegression)
• 神经网络 (NN)
• 支持向量机 (SVM)
• 高斯过程 (GaussianProcess)
• 条件随机场 (CRF)
• CART(Classificationand Regression Tree)
其特点在于（相比于生成式模型）：
• 节省计算资源
• 节省样本
• 效果好一些
• 输入数据可以预处理（降维、构造等），简化学习的问题
• 解决凸优化问题
• 添加新的数据时，所有数据要重新训练
• 不能检测异常值
本文转自网络，转载此文目的在于传递更多信息，版权归原作者所有。
