生成模型与判别模型（在贝叶斯环境中）

生成模型和判别（判别）模型之间有什么区别（在贝叶斯学习和推理的背景下）？

它与预测，决策理论或无监督学习有什么关系？

两者都在想得知输入x映射到输出y的规则指导的学习使用，赋予了许多形式的训练样本。生成模型（例如朴素贝叶斯）显式地对联合概率分布p （x ，y ）建模，然后使用贝叶斯规则计算p （y | x ）。另一方面，判别模型（例如逻辑回归）直接建模p （y | x $\{(x_i,y_i)\}$$p(x,y)$$p(y|x)$$p(y|x)$。

$(y)$$p(x|y)$以及生成模型）。但是，生成模型具有其自身的优势，例如能够处理丢失的数据等。为进行比较，您可以看一下本文：关于判别式与生成式分类器：逻辑回归和朴素贝叶斯的比较

在某些情况下，一种模型比另一种模型更好（例如，如果您拥有大量数据，则判别模型通常会做得更好；如果您拥有一些额外的未标记数据，则生成模型可能会更好）。实际上，也存在试图引入两全其美的混合动力模型。参见本文示例：生成模型和判别模型的原理性混合

上述答案的一种补充：

由于判别式仅关注P（Y | X），而生成器同时关注P（X，Y）和P（X），为了更好地预测P（Y | X），生成模型的自由度较小在模型中与判别模型相比。因此，生成模型更健壮，不易过度拟合，而判别则相反。

那解释了上面的答案

在某些情况下，一种模型比另一种模型更好（例如，如果您拥有大量数据，则判别模型通常会做得更好；如果您拥有一些额外的未标记数据，则生成模型可能会更好）。