hva er forskjellene mellom generative og diskriminerende maskinlæringsmodeller?

i denne artikkelen vil vi se på forskjellen mellom generative og diskriminerende modeller, hvordan de kontrasterer og hverandre.

Diskriminerende maskinlæring er å gjenkjenne riggutgangen blant mulige utgangsvalg. Gitt noe om dataene, og gjort ved å lære parametere. Det maksimerer den felles sannsynligheten For P (X, Y).

Klassifisering er i tillegg nevnt som diskriminativ modellering. Dette er ofte på grunnlag av; modellen må skille forekomster av inngangsvariabler på tvers av klasser. Det må velge eller ringe med hensyn til hvilken klasse en gitt forekomst tilhører.

unsupervised modeller oppsummere fordelingen av input variabler. Også i stand til å være vant til å opprette eller generere nye forekomster i inngangsfordelingen. Som sådan observeres disse varianter av modeller som generative modeller.

en variabel kan ha en kjent datafordeling som En Gaussisk fordeling.

en generativ modell kan også oppsummere datafordelingen. Dette brukes til å generere nye variabler som passer inn i fordelingen av inngangsvariabelen.

en enkel modell innenfor generativ innstilling vil måtte ha mindre informasjon. Deretter en intrikat en innenfor diskriminerende innstilling, og også omvendt.

langs disse linjene, diskriminerende modeller outflank generative modeller på betinget prediksjon. På samme måte bør diskriminerende modeller regulere mer enn generative modeller.

Første eksempel

for eksempel er det to barn, tony og mark. Begge besøkte dyrebutikken for å bestemme forskjellen Mellom Katt og Hund. Begge betaler spesiell oppmerksomhet til farge, størrelse, øyenfarge, hår størrelse, en stemme, som er funksjonssett av kjæledyr.

To bilder fikk en blant en katt og en blant en hund Til Å Markere og spurte hvilken som er hvilken. Mark har skrevet ned flere forhold. Hvis stemmen ser ut som meow og øynene er blå eller grønne.

den har striper med fargen brun eller svart, og så kan dyret være en katt.På grunn av sine enkle regler oppdaget han hvilken som er en katt og hvilken som kan være en hund.

nå i stedet For Å vise To bilder Til Tony, to stykker blankt papir og be ham om å tegne hva en katt og en hund ser ut som. Tony tegner tegningen.

Vel nå, Gitt et bilde, Kan Tony også fortelle hvilken som kan være en katt. Hvem kan være en hund støttet tegningen han opprettet. Tegning er en tidkrevende oppgave for oppgaven med deteksjon, hvilken man kan være en katt.

Men Hvis Det har vært bare noen hunder og katter å virke For Tony og Mark betyr lave treningsdata. I slike tilfeller, hvis et fotografi av en brun hund med striper med blå øyne.

Det er en mulighet For At Mark ville markere det som en katt. Mens Tony har sin tegning, og han kan bedre oppdage at dette bildet er av en hund.

Hvis Tony å lytte til flere ting som funksjoner, vil det skape en bedre skisse. Men hvis flere eksempler viser å bruke et datasett av katt og hund, Ville Mark være bedre Enn Tony.

Mark er grundig i sine observasjoner. Anta at du ber ham om å lytte til flere funksjoner. Det vil skape mer kompliserte regler som kalles overfitting. Dermed vil sjansen for å finne en katt og en hund øke, men Det vil ikke skje Med Tony.

Hva om de ikke blir informert før de besøker dyrebutikken. Det er bare to typer dyr som betyr ingen merkede data.Mark ville mislykkes helt fordi Han ikke vet hva Han skal se etter mens Tony ville kunne tegne skissen uansett. Dette er en stor fordel, noen ganger kalt semi-overvåket.Dette viser At Mark er for diskriminerende, Og Tony Er For Generativ.

Et annet eksempel

klassifiser en tale til en språkmodell.

Diskriminerende tilnærming som bestemmer forskjellen i de språklige modellene. Uten å lære språkene og så klassifisere talen.

den generative tilnærmingen betyr å lære hvert språk. Så klassifisere det ved hjelp av kunnskapen du har fått.

hva er den matematiske ligningen av generative og diskriminative modeller?

Bilde av antoine dautry på unsplash

diskriminerende maskinlæring trener faktisk en modell. Å skille riktig utgang blant mulige utgangsvalg. Dette gjøres ved å lære modellparametere som maksimerer den betingede sannsynligheten P (Y / X).Generativ maskinlæring trener en modell for å lære parametere som maksimerer den felles sannsynligheten For P (X, Y).

Hva er de forskjellige typene diskriminerende og generative maskinlæringsalgoritmer?

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 spørsmål bør man spørre før du utfører dem?

Foto Av Jon Tyson på unsplash

• hvilken modell trenger mindre data for trening?
• Hvilken modell kan generere data?
• Når skal man bruke slike modeller?
• Hvilken modell er mer følsom for ekstreme verdier?
• Hvilken modell er mer utsatt for overfitting?
• Hvilken modell kan trene på kortere tid?
• Hvilken modell lærer betinget sannsynlighet?
• Hvilken modell er bedre i tilfelle usikkerhet?
• Hvilken modell er bedre når funksjonene har et forhold?
• Hvilken modell er bedre når en forklarende modell trengs?
• Hvilken modell er bedre når du optimaliserer klassifiseringsnøyaktigheten som trengs?
• Hvilken modell er bedre når merket data ikke er tilgjengelig?
• Hvilken modell er bedre når merket data er tilgjengelig?
• Hvilken modell er enkel og rask å utføre?

hvordan jobber generativ og diskriminativ i dyp læring?

Foto Av Bilder Hobby på unsplash

i generative adversarial networks (gan) trente generatoren og diskriminatoren sammen. Generatoren genererer en gruppe prøver-disse, sammen med det virkelige datasettet, gitt til diskriminatoren for klassifisering.

hva er ulempene Med Diskriminerende Klassifiserere?

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.

Konklusjon

generative og diskriminerende metoder er to brede tilnærminger. Den generative innebærer modellering og diskriminerende løse klassifisering. De generative modellene er mer elegante, har forklarende kraft.

rikdommen til en modell er ikke alltid en oppside. Montering av flere parametere tar lengre tid, mer plass og mer beregning. Diskriminerende modeller må regulariseres mer enn generative modeller.

en enkel modell i generativ innstilling vil ha mindre data enn en posh en i diskriminativ innstilling.