生成式模型、判别式模型
https://github.com/imhuay/Algorithm_Interview_Notes-Chinese/blob/master/A-机器学习/A-机器学习基础.md#生成模型与判别模型
生成式模型(generative model)会对x和y的联合分布p(x,y)进行建模,然后通过贝叶斯公式来求得p(y|x), 最后选取使得p(y|x)最大的yi. 具体地,
判别式模型(discriminative model)则会直接对p(y|x)进行建模.
监督学习模型可分为生成模型与判别模型
判别模型直接学习决策函数(Y=f(X))或者条件概率分布对p(Y|X) 直观来说，判别模型学习的是类别之间的最优分隔面，反映的是不同类数据之间的差异 生成模型学习的是联合概率分布P(X,Y)，然后根据条件概率公式计算 P(Y|X): P(Y|X) = P(X,Y)/P(X) 常见模型 判别模型 K 近邻、感知机（神经网络）、决策树、逻辑斯蒂回归、最大熵模型、SVM、提升方法、条件随机场、CART 生成模型 朴素贝叶斯、隐马尔可夫模型、混合高斯模型、贝叶斯网络、马尔可夫随机场、DBN
-
监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入X预测相应的输出Y。这个模型的一般形式为决策函数Y=f(X)或者条件概率分布P(Y|X)。 ** 决策函数Y=f(X)：**你输入一个X，它就输出一个Y，这个Y与一个阈值比较，根据比较结果判定X属于哪个类别。例如两类（w1和w2）分类问题，如果Y大于阈值，X就属于类w1，如果小于阈值就属于类w2。这样就得到了该X对应的
-
本文向大家介绍生成模型和判别模型基本形式，有哪些？相关面试题，主要包含被问及生成模型和判别模型基本形式，有哪些？时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 生成式：朴素贝叶斯、HMM、Gaussians、马尔科夫随机场 判别式：LR，SVM，神经网络，CRF，Boosting 详情：支持向量机
-
本文向大家介绍生成模型和判别模型的区别相关面试题，主要包含被问及生成模型和判别模型的区别时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 生成模型是先从数据中学习联合概率分布,然后利用贝叶斯公式求得特征和标签对应的条件概率分布。判别模型直接学习条件概率分布,直观的输入什么特征就预测可能的类别。
-
问题 你需要准备一个复杂的、多部分的对象，你希望操作不止一次或有不同的配置。 解决方案 创建一个生成器封装对象的产生过程。 Todo.txt 格式提供了一个先进的但还是纯文本的方法来维护待办事项列表。手工输入每个项目有损耗且容易出错，然而 TodoTxtBuilder 类可以解决我们的麻烦： class TodoTxtBuilder constructor: (defaultParamet
-
亦称： 建造者模式、Builder 意图 生成器模式是一种创建型设计模式， 使你能够分步骤创建复杂对象。 该模式允许你使用相同的创建代码生成不同类型和形式的对象。 问题 假设有这样一个复杂对象， 在对其进行构造时需要对诸多成员变量和嵌套对象进行繁复的初始化工作。 这些初始化代码通常深藏于一个包含众多参数且让人基本看不懂的构造函数中； 甚至还有更糟糕的情况， 那就是这些代码散落在客户端代码的多个位置
-
问题内容： 有人知道如何从现有的XML模式（XSD文件）生成JSON模式吗？有没有可用的工具？ 问题答案： 免责声明 ：我是Jsonix的作者，Jsonix是一个功能强大的开源XML <-> JSON JavaScript映射库。 今天，我发布了具有新JSON Schema生成功能的新版本的Jsonix Schema Compiler 。 让我们以采购订单模式为例。这是一个片段： 您可以使用提供的