hvad er forskellen mellem generative og diskriminerende machine learning modeller?

i denne artikel vil vi se på forskellen mellem generative og diskriminerende modeller, hvordan de kontrasterer og hinanden.

diskriminerende machine learning er at genkende rig output blandt mulige output valg. Givet noget om dataene og gjort ved at lære parametre. Det maksimerer den fælles sandsynlighed for P (H, Y).

klassificering er desuden nævnt som diskriminerende modellering. Dette er ofte på grund af; modellen skal adskille forekomster af inputvariabler på tværs af klasser. Det skal vælge eller foretage et opkald med hensyn til hvilken klasse en given instans tilhører.

ikke-overvågede modeller opsummerer fordelingen af inputvariabler. Også i stand til at være vant til at oprette eller generere nye forekomster inden for inputfordelingen. Som sådan observeres disse sorter af modeller som generative modeller.

en variabel kan have en kendt datadistribution som en Gaussisk distribution.

en generativ model kunne også være i stand til at opsummere datadistributionen. Dette bruges til at generere nye variabler, der passer ind i fordelingen af inputvariablen.

en ligetil model inden for den generative indstilling ville have mindre information. Så en indviklet inden for den diskriminerende indstilling, og også omvendt.

på denne måde overgår diskriminerende modeller generative Modeller ved betinget forudsigelse. Ligeledes bør diskriminerende modeller regulere mere end generative modeller.

første eksempel

for eksempel er der to børn, Tony og Mark. Begge besøgte dyrebutikken for at bestemme forskellen mellem kat og hund. Begge lægger særlig vægt på farve, størrelse, øjenfarve, hårstørrelse, en stemme, som er træksæt af kæledyrene.

to fotos fik en blandt en kat og en blandt en hund til at markere og spurgte, hvilken der er hvilken. Mark har skrevet ned flere betingelser. Hvis stemmen ser ud som miav og øjnene er blå eller grønne.

det har striber med farven brun eller sort, og så kan dyret være en kat.

på grund af hans enkle regler opdagede han, hvilken der er en kat, og hvilken der kunne være en hund.

nu i stedet for at vise to billeder til Tony, to stykker blankt papir og bede ham om at tegne, hvordan en kat og en hund ser ud. Tony tegner tegningen.

Nå nu, givet et foto, kan Tony også fortælle, hvilken der kunne være en kat. Hvilken en kan være en hund støttede tegningen han skabte. Tegning er en tidskrævende opgave for detektionsopgaven, hvilken man kunne være en kat.

men hvis der kun har været nogle hunde og katte at synes for Tony og Mark betyder lave træningsdata. I sådanne tilfælde, hvis et fotografi af en brun hund med striber med blå øjne.

Der er en mulighed for, at Mark ville markere det slags en kat. Mens Tony har sin tegning, og han bedre kan opdage, at dette billede er af en hund.

Hvis Tony at lytte til flere ting som funktioner, vil det skabe en bedre skitse. Men hvis flere eksempler viser at anvende et datasæt af kat og hund, ville Mark være bedre end Tony.

Mark er omhyggelig i sine observationer. Antag at du beder ham om at lytte til flere funktioner. Det vil skabe mere komplicerede regler kaldet overmontering. Således øges chancen for at finde en kat og en hund, men det vil ikke ske med Tony.

Hvad hvis de ikke er informeret, før de besøger dyrebutikken. Der er kun to slags dyr, der betyder ingen mærkede data.

Mark ville mislykkes fuldstændigt, fordi han ikke ved, hvad han skal kigge efter, mens Tony alligevel kunne tegne skitsen. Dette er en stor fordel, nogle gange kaldet semi-overvåget.

Dette viser, at Mark er for diskriminerende, og Tony er for generativ.

et andet eksempel

>

klassificer en tale til en sprogmodel.

diskriminerende tilgang, der bestemmer forskellen inden for de sproglige modeller. Uden at lære sprogene og så klassificere talen.

den generative tilgang betyder at lære hvert sprog. Så klassificere det ved hjælp af den viden, du har fået.

Hvad er den matematiske ligning af generative og diskriminerende modeller?

diskriminerende maskinindlæring træner faktisk en model. At skelne fra hinanden den rigtige output blandt mulige output valg. Dette gøres ved at lære modelparametre, der maksimerer den betingede sandsynlighed P(Y|H).generativ maskinlæring træner en model til at lære parametre, der maksimerer den fælles sandsynlighed for P(H, Y).

hvad er de forskellige former for diskriminerende og generative machine learning algoritmer?

Discriminative models

• Logistic regression
• Random forests
• Support vector machine (SVM)
• Traditional neural networks
• Nearest neighbor

Generative Models

• Hidden Markov model (HMM)
• Naïve Bayes
• Bayesian Networks
• Gaussian mixture model (GMM)

What are the følgende spørgsmål skal man stille, før man udfører dem?

• hvilken model har brug for mindre data til træning?
• hvilken model kan generere data?
• Hvornår skal man bruge sådanne slags modeller?
• hvilken model er mere følsom over for ekstreme værdier?
• hvilken model er mere tilbøjelig til overfitting?
• hvilken model kan træne på kortere tid?
• hvilken model lærer betinget sandsynlighed?
• hvilken model er bedre i tilfælde af usikkerhed?
• hvilken model er bedre, når funktionerne har et forhold?
• hvilken model er bedre, når en forklarende model er nødvendig?
• hvilken model er bedre, når du optimerer den nødvendige klassificeringsnøjagtighed?
• hvilken model er bedre, når mærkede data ikke er tilgængelige?
• hvilken model er bedre, når mærkede data er tilgængelige?
• hvilken model er nem og hurtig at udføre?

Hvordan fungerer generativ og diskriminerende i dyb læring?

i generative kontradiktoriske netværk (gan) trænes generatoren og diskriminatoren sammen. Generatoren genererer et parti prøver-disse sammen med det virkelige datasæt, der gives til diskriminatoren til klassificering.

hvad er ulemperne ved diskriminerende klassifikatorer?

It lacks the elegance of generative like priors, structure, uncertainty. Feel like black-boxes, relationships between variables don’t seem to be explicit and visualizable.

konklusion

generative og diskriminerende metoder er to-brede tilgange. Generativ involverer modellering og diskriminerende løse klassificering. De generative modeller er mere elegante, har forklarende kraft.

rigdom af en model er ikke altid en upside. Montering af flere parametre tager længere tid, mere plads og mere beregning. Diskriminerende modeller skal reguleres mere end generative modeller.

en nem model inden for den generative indstilling vil have mindre data end en posh inden for den diskriminerende indstilling.