ebben a cikkben megvizsgáljuk a generatív és diszkriminatív modellek közötti különbséget, azt, hogy ezek hogyan ellentétesek egymással.
diszkriminatív gépi tanulás a rig kimenet felismerése a lehetséges kimeneti lehetőségek között. Adott valamit az adatokról, és a tanulási paraméterekkel történik. Ez maximalizálja a P(X, Y) közös valószínűségét.a
osztályozást emellett diszkriminatív modellezésként említik. Ez gyakran azon az alapon; a modellnek külön kell választania a bemeneti változók példányait az osztályok között. Meg kell felvenni, vagy hívást annak tekintetében, hogy milyen osztály egy adott példány tartozik.
a felügyelet nélküli modellek összefoglalják a bemeneti változók eloszlását. Is, képes megszokni, hogy hozzon létre vagy hozzon létre új példányokat a bemeneti Eloszlás. Mint ilyen, ezeket a modellfajtákat generatív modellekként figyelik meg.
egy változónak ismert adateloszlása lehet, mint a Gauss-Eloszlás.
egy generatív modell is képes lehet összefoglalni az adatok eloszlását. Ez olyan új változók generálására szolgál, amelyek illeszkednek a bemeneti változó eloszlásába.
a generatív beállításon belüli egyszerű modellnek kevesebb információnak kell lennie. Aztán egy bonyolult a diszkriminatív környezetben, és fordítva is.
ezen vonalak mentén a diszkriminatív modellek feltételes előrejelzésnél felülmúlják a generatív modelleket. Hasonlóképpen, a diszkriminatív modelleknek többet kell szabályozniuk, mint a generatív modelleknek.
- első példa
- egy másik példa
- mi a generatív és diszkriminatív modellek matematikai egyenlete?
- melyek a különböző diszkriminatív és generatív gépi tanulási algoritmusok?
- What are the következő kérdéseket kell feltenni, mielőtt végrehajtaná őket?
- hogyan működik a generatív és diszkriminatív munka a mély tanulásban?
- milyen hátrányai vannak a diszkriminatív osztályozóknak?
- következtetés
első példa
például két gyerek van, Tony és Mark. Mindketten meglátogatták az állatkereskedést, hogy meghatározzák a macska és a kutya közötti különbséget. Mindkettő különös figyelmet fordít a színre, méretre, szemszínre, hajméretre, hangra, amelyek a háziállatok jellemző készletei.
két fotót kapott egy macska és egy kutya között, hogy megjelölje, melyik melyik. Mark számos feltételt írt le. Ha a hang úgy néz ki, mint a miau, a szeme kék vagy zöld.
barna vagy fekete színű csíkokkal rendelkezik, majd az állat macska lehet.
egyszerű szabályai miatt észlelte, hogy melyik macska, és melyik lehet kutya.
most ahelyett, hogy két képet mutatna Tonynak, két darab üres papírt kér, és kérje meg, hogy rajzolja meg, hogy néz ki egy macska és egy kutya. Tony rajzolja a rajzot.
nos, bármilyen fotó alapján Tony azt is megmondhatja, melyik lehet macska. Melyik lehet egy kutya támogatta az általa létrehozott rajzot. A rajz időigényes feladat az észlelés feladatához, amely lehet macska.
de ha már csak néhány kutya és macska úgy tűnik, Tony és Mark azt jelenti, alacsony képzési adatok. Ilyen esetekben, ha egy barna kutya fényképe kék szemű csíkokkal.
van egy lehetőség, hogy Mark jelölné meg egyfajta macska. Míg Tonynak megvan a rajza, és jobban felismeri, hogy ez a fotó egy kutyáról szól.
Ha Tony hallgatni több dolog, mint a funkciók, akkor hozzon létre egy jobb vázlatot. De ha több példa mutat egy macska és kutya adathalmazt, Mark jobb lenne, mint Tony.
Mark aprólékos a megfigyeléseiben. Tegyük fel, hogy felkéri őt, hogy hallgasson több funkciót. Ez bonyolultabb szabályokat fog létrehozni, amelyeket overfittingnek neveznek. Így a macska és a kutya megtalálásának esélye növekedni fog, de Tony-val ez nem fog megtörténni.
mi van, ha a kisállat-áruház meglátogatása előtt nem tájékoztatják őket. Csak kétféle állat van, ami azt jelenti, hogy nincs címkézett adat.
Mark teljesen kudarcot vall, mert nem fogja tudni, mit keressen, míg Tony egyébként képes lenne rajzolni a vázlatot. Ez egy hatalmas előny, amelyet néha félig felügyelnek.
Ez azt mutatja, hogy Mark diszkriminatív, Tony pedig generatív.
egy másik példa
a beszéd osztályozása nyelvi modellbe.
diszkriminatív megközelítés, amely meghatározza a nyelvi modelleken belüli különbséget. Anélkül, hogy megtanulná a nyelveket, és így osztályozná a beszédet.
a generatív megközelítés az egyes nyelvek megtanulását jelenti. Tehát osztályozza azt a megszerzett tudás felhasználásával.
mi a generatív és diszkriminatív modellek matematikai egyenlete?
fotó: Antoine dautry on Unsplash
a diszkriminatív gépi tanulás valójában egy modell képzése. Megkülönböztetni a megfelelő kimenetet a lehetséges kimeneti lehetőségek között. Ezt úgy végezzük, hogy megtanuljuk a P(Y|X) feltételes valószínűséget maximalizáló modellparamétereket.
a generatív gépi tanulás egy olyan modell képzése, amely olyan paramétereket tanul meg, amelyek maximalizálják a P(X, Y) közös valószínűségét.
melyek a különböző diszkriminatív és generatív gépi tanulási algoritmusok?
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 következő kérdéseket kell feltenni, mielőtt végrehajtaná őket?
fotó: Jon Tyson on Unsplash
- melyik modellnek van szüksége kevesebb adatra a képzéshez?
- melyik modell képes adatokat generálni?
- mikor kell ilyen modelleket használni?
- melyik modell érzékenyebb a szélsőséges értékekre?
- melyik modell hajlamosabb a túlzott felszerelésre?
- melyik modell képes kevesebb idő alatt edzeni?
- melyik modell tanul feltételes valószínűséget?
- melyik modell jobb bizonytalanság esetén?
- melyik modell jobb, ha a funkciók kapcsolatban állnak?
- melyik modell jobb, ha magyarázó modellre van szükség?
- melyik modell jobb a szükséges osztályozási pontosság optimalizálásakor?
- melyik modell jobb, ha a címkézett adatok nem állnak rendelkezésre?
- melyik modell jobb, ha címkézett adatok állnak rendelkezésre?
- melyik modell könnyen és gyorsan kivitelezhető?
hogyan működik a generatív és diszkriminatív munka a mély tanulásban?
fotó: Photos Hobby on Unsplash
generatív adversarial networks (gan), a generátor és a diszkriminátor képzett együtt. A generátor egy sor mintát generál-ezeket a valós adatkészlettel együtt a diszkriminátornak adják osztályozás céljából.
milyen hátrányai vannak a diszkriminatív osztályozóknak?
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.
következtetés
a generatív és diszkriminatív módszerek két széles megközelítés. A generatív magában foglalja a modellezést és a diszkriminatív megoldási osztályozást. A generatív modellek elegánsabbak, magyarázó erővel rendelkeznek.
a modell gazdagsága nem mindig jelent előnyt. Több paraméter illesztése hosszabb időt, több helyet és több számítást igényel. A diszkriminatív modelleket jobban kell szabályozni, mint a generatív modelleket.
egy egyszerű modell a generatív beállításon belül kevesebb adatot szeretne, mint egy elegáns a diszkriminatív beállításon belül.