不平衡分类:
把一个好的电子邮件分成垃圾电子邮件或者垃圾电子邮件分成好的电子邮件,通常前者要严重的多,故要对前者做惩罚。
分来有四种情况:(只考虑正例)
1. GG-把好的分成好的
2. GB-把好的分成坏的
3. BG-把坏的分成好的
4. BB-把坏的分成坏的
precision = GG/BG+GG
recall = GG/GG+GB
这个时候,一般倾向于调高precision。precision和recall 也是一个trade-off。
在文本分类中:p(class|content)
判别模型:会对每一个类学习一个模型,然后选择一个似然概率最大的类作为预测结果
生成模型:从历史文本中学习出一个模型,对于content,根据特征判断属于哪一类
生成模型(Generative Models)和判别模型(Discriminative Models)的区别.
对于分类和聚类问题而言.
①判别模型只关心类的决定边界在哪里;生成模型关心的是类本身而非决定边界.
②判别模型只能判定数据点属于哪个类别,无法将过程描述出来;生成模型可以将过程描述.
③生成模型可以得到判别模型;判别模型推不出生成模型.
④判别模型估计的是条件概率分布(Conditional distribution);生成模型估计的是联合概率分布(Joint probability distribution)
分享到:
相关推荐
从本质上讲,生成模型和判别模型是解决分类问题的两类基本思路。 首先,你得了解,分类问题,就是我给定一个数据x,去判断它对应的标签y。 我的目标就是P(Y|X)。 下面我直接开门见山,先说一下这两种模型针对这个...
1. 生成方法和判别方法 2. 生成模型与判别模型的优缺点 3. 例子与总结
对比分析了分类器模型中产生式与判别式的区别与联系。
用于人脸识别的产生式模型和判别式模型中若干问题的研究.nh用于人脸识别的产生式模型和判别式模型中若干问题的研究.nh用于人脸识别的产生式模型和判别式模型中若干问题的研究.nh用于人脸识别的产生式模型和判别式...
理解对抗网络,首先要了解生成模型和判别模型。判别模型比较好理解,就像分类一样, 有一个判别界限,通过这个判别界限去区分样本。理解了生成模型和判别模型后,再来理解对抗网络就很直接了,对抗网络只是提出了一 ...
Wav2lip预训练模型,包含人脸检测模型、wav2lip生成模型、wav2lip_gan生成模型、wav2lip判别模型等,使用此模型通过音频驱动视频,生成最终的嘴型与语音的匹配
在远同源检测的蛋白质分类方法中,基于判别模型的分类器相对于其他方法取得了最高的准确性,但这类方法都面临训练建模时因正类样本不足导致的训练不平衡问题。为此提出一种基于优化判别模型的蛋白质分类方法,通过对...
这些模型的特点都是输入属性X可以直接得到Y(对于二分类任务来说,实际得到一个score,当score大于threshold时则为正类,否则为反类)~(根本原因个人认为是对于某示例X_1,对正例和反例的标记的条件概率之和等于1,...
ChatGPT技术的使用教程、使用方法、使用技巧、使用注意事项、使用中常见问题
ChatGPT技术的使用教程、使用方法、使用技巧、使用注意事项、使用中常见问题
讲述了线性回归模型中的Logistic回归中的概率生成模型
文档是在听取斯坦福大学机器学习网上公开课后,结合前人所写的文档整理而成,文档中包含了斯坦福大学教授NG在课堂上讲的见解、建议等,主要讲解了判别模型、生成模型与朴素贝叶斯方法及其应用。文档写得清晰易懂,...
ChatGPT技术的使用教程、使用方法、使用技巧、使用注意事项、使用中常见问题
ChatGPT技术的使用教程、使用方法、使用技巧、使用注意事项、使用中常见问题
ChatGPT技术的使用教程、使用方法、使用技巧、使用注意事项、使用中常见问题
生成模型的动机,以及与判别模型的对比 生成模型的定义、特征、估计密度、模拟数据、学习表示 传统生成模型方法,以及深度网络在参数化方面的作用 基于学习算法的生成模型分类,基于相似点的学习和无相似点的学习 ...
%%使用fisher判别给XOR问题分类 使用fisher判别给XOR问题分类
常见的判别模型有:K近邻、SVM、决策树、感知机、线性判别分析(LDA)、线性回归、逻辑回归、传统的神经网络、boosting、条件随常见的生成模型有:高斯、朴
融合生成模型和判别模型的双层 RBM 运动捕获数据语义识别算法
OMECNN:一种基于有序马尔可夫枚举器和判别神经网络的口令生成模型.pdf