如今已經進入2020年了，5G的時代已經到來，而機器人應用將更加的廣泛，下面就讓我們去了解機器人在學習中的兩類模型，這文章告訴兩種類型的區別，推薦給對機器人感興趣的朋友們閱讀！
在機器學習中，對於有監督學習可以將其分為兩類模型：判別式模型和生成式模型。簡單地說，判別式模型是針對條件分佈建模，而生成式模型則針對聯合分佈進行建模。
01 基本概念
假設我們有訓練數據(X,Y)，X是屬性集合，Y是類別標記。這時來了一個新的樣本樣本 x ，我們想要預測它的類別y。
我們最終的目的是求得最大的條件概率 P（y|x）作為新樣本的分類。
1. 判別式模型這麼做
根據訓練數據得到分類函數和分界面，比如說根據SVM模型得到一個分界面，然後直接計算條件概率 P（y|x），我們將最大的 P（y|x）。
作為新樣本的分類。判別式模型是對條件概率建模，學習不同類別之間的最優邊界，無法反映訓練數據本身的特性，能力有限，其只能告訴我們分類的類別。
2. 生成式模型這麼做
一般會對每一個類建立一個模型，有多少個類別，就建立多少個模型。比如說類別標籤有｛貓，狗，豬｝，那首先根據貓的特徵學習出一個貓的模型，再根據狗的特徵學習出狗的模型，之後分別計算新樣本X跟三個類別的聯合概率 P（y|x），然後根據貝葉斯公式：
分別計算 P（y|x），選擇三類中最大的 P（y|x）作為樣本的分類。
3.兩個模型的小結
不管是生成式模型還是判別式模型，它們最終的判斷依據都是條件概率 P（y|x），但是生成式模型先計算了聯合概率P（x,y），再由貝葉斯公式計算得到條件概率。因此，生成式模型可以體現更多數據本身的分佈信息，其普適性更廣。
02 用例子說明概念
1. 山羊綿羊的例子
判別式模型：要確定一個羊是山羊還是綿羊，用判別式模型的方法是從歷史數據中學習到模型，然後通過提取這隻羊的特徵來預測出這隻羊是山羊的概率，是綿羊的概率。
生成式模型：是根據山羊的特徵首先學習出一個山羊的模型，然後根據綿羊的特徵學習出一個綿羊的模型，然後從這隻羊中提取特徵，放到山羊模型中看概率是多少，再放到綿羊模型中看概率是多少，哪個大就是哪個。
2. 模型範例
假設現在有一個分類問題，X是特徵，Y是類標記。用判別式模型學習一個條件概率分佈 P（y|x），用生成式模型學習一個聯合概率分佈P（x,y）。
用一個簡單的例子來說明這個問題。假設X就是兩個特徵（1或2），Y有兩類（0或1），有如下訓練樣本（1，0）、（1，0）、（1，1）、（2，1）。
則學習到的條件概率分佈（判別式模型）如下：
而學習到的聯合概率分佈（生成式模型）如下：
在實際分類問題中，判別式模型可以直接用來判斷特徵的類別情況；而生成式模型需要加上貝葉斯公式，然後應用到分類中。但是，生成式模型的概率分佈可以有其他應用，就是說生成式模型更一般更普適。不過判別式模型更直接，更簡單。兩種方法目前交叉較多。由生成式模型可以得到判別式模型，但由判別式模型得不到生成式模型。
03 判別式模型和生成式模型的區別
1. 判別式模型和生成式模型的對比圖
上圖左邊為判別式模型而右邊為生成式模型，可以很清晰地看到差別，判別式模型是在尋找一個決策邊界，通過該邊界來將樣本劃分到對應類別。而生成式模型則不同，它學習了每個類別的邊界，它包含了更多信息，可以用來生成樣本。
2. 判別式模型和生成式模型的特點
判別式模型特點：
判別式模型直接學習決策函數Y=f(X)，或者條件概率P（Y|X），不能反映訓練數據本身的特性，但它尋找不同類別之間的最優分裂面，反映的是異類數據之間的差異，直接面對預測往往學習準確度更高。具體來說有以下特點：
- 對條件概率建模，學習不同類別之間的最優邊界。
- 捕捉不同類別特徵的差異信息，不學習本身分佈信息，無法反應數據本身特性。
- 學習成本較低，需要的計算資源較少。
- 需要的樣本數可以較少，少樣本也能很好學習。
- 預測時擁有較好性能。
- 無法轉換成生成式。
生成式模型的特點：
生成式模型學習的是聯合概率密度分佈P（X,Y），可以從統計的角度表示分佈的情況，能夠反映同類數據本身的相似度，它不關心到底劃分不同類的邊界在哪裡。生成式模型的學習收斂速度更快，當樣本容量增加時，學習到的模型可以更快的收斂到真實模型，當存在隱變數時，依舊可以用生成式模型，此時判別式方法就不行了。具體來說，有以下特點：
- 對聯合概率建模，學習所有分類數據的分佈。
- 學習到的數據本身信息更多，能反應數據本身特性。
- 學習成本較高，需要更多的計算資源。
- 需要的樣本數更多，樣本較少時學習效果較差。
- 推斷時性能較差。
- 一定條件下能轉換成判別式。
總之，判別式模型和生成式模型都是使后驗概率最大化，判別式是直接對后驗概率建模，而生成式模型通過貝葉斯定理這一「橋樑」使問題轉化為求聯合概率。
03 二者所包含的演算法
原文作者：Microstrong
原文鏈接：https://zhuanlan.zhihu.com/p/