這個題目遇到兩次

自然語言處理中，經常要處理序列標注問題（分詞、詞性標注、組快分析等），為給定的觀察序列標注標記序列。

令o和s分別代表觀察序列和標記序列，

?

根據貝葉斯公式，

1?生成模型和判別模型的定義

對o和s進行統計建模，通常有兩種方式：

(1)生成模型

構建o和s的聯合分布p(s,o) = p(s) *p(o|s)

(2)判別模型

構建o和s的條件分布p(s|o)

2?判別模型和生成模型的對比

（1）訓練時，二者優化準則不同

生成模型優化訓練數據的聯合分布概率；

判別模型優化訓練數據的條件分布概率，判別模型與序列標記問題有較好的對應性。

（2）對于觀察序列的處理不同

生成模型中，觀察序列作為模型的一部分；

判別模型中，觀察序列只作為條件，因此可以針對觀察序列設計靈活的特征。

（3）訓練復雜度不同

判別模型訓練復雜度較高。需要各種梯度下降，優化等等求解參數

生成式模型感覺只要統計共現頻率（就像樸素貝葉斯）

（4）是否支持無指導訓練

生成模型支持無指導訓練。

3 優缺點

判別式：

- 主要特點：
尋找不同類別之間的最優分類面，反映的是異類數據之間的差異。
- 優點:
分類邊界更靈活，比使用純概率方法或生產模型得到的更高級。
能清晰的分辨出多類或某一類與其他類之間的差異特征
在聚類、viewpoint changes, partial occlusion and scale variations中的效果較好
適用于較多類別的識別

生成式：

優點：可以增量式訓練

4 主要模型

判別式：

logistic regression

線性回歸以及各種回歸（什么叫回歸呢，就是用函數擬合點，使得誤差最小，然后用各種下降法使得誤差最小）

SVMs
traditional neural networks
Nearest neighbor
Conditional random fields(CRF):?

生成式：

Gaussians,?Naive Bayes, Mixtures of multinomials
Mixtures of Gaussians, Mixtures of experts, HMMs
Sigmoidal belief networks, Bayesian networks
Markov random fields，EM，LDA

【摘要】
- 生成模型：無窮樣本==》概率密度模型 = 產生模型==》預測
- 判別模型：有限樣本==》判別函數 = 預測模型==》預測

【簡介】
簡單的說，假設o是觀察值，q是模型。
如果對P(o|q)建模，就是Generative模型。其基本思想是首先建立樣本的概率密度模型，再利用模型進行推理預測。要求已知樣本無窮或盡可能的大限制。
這種方法一般建立在統計力學和bayes理論的基礎之上。
如果對條件概率(后驗概率) P(q|o)建模，就是Discrminative模型。基本思想是有限樣本條件下建立判別函數，不考慮樣本的產生模型，直接研究預測模型。代表性理論為統計學習理論。
這兩種方法目前交叉較多。

【判別模型Discriminative Model】——inter-class probabilistic description

又可以稱為條件模型，或條件概率模型。估計的是條件概率分布(conditional distribution)， p(class|context)。
利用正負例和分類標簽，focus在判別模型的邊緣分布。目標函數直接對應于分類準確率。

- 主要特點：
尋找不同類別之間的最優分類面，反映的是異類數據之間的差異。
- 優點:
分類邊界更靈活，比使用純概率方法或生產模型得到的更高級。
能清晰的分辨出多類或某一類與其他類之間的差異特征
在聚類、viewpoint changes, partial occlusion and scale variations中的效果較好
適用于較多類別的識別
判別模型的性能比生成模型要簡單，比較容易學習
- 缺點：
不能反映訓練數據本身的特性。能力有限，可以告訴你的是1還是2，但沒有辦法把整個場景描述出來。
Lack elegance of generative: Priors, 結構, 不確定性
Alternative notions of penalty functions, regularization, 核函數
黑盒操作: 變量間的關系不清楚，不可視

- 常見的主要有：
logistic regression
SVMs
traditional neural networks
Nearest neighbor
Conditional random fields(CRF): 目前最新提出的熱門模型，從NLP領域產生的，正在向ASR和CV上發展。

- 主要應用：
Image and document classification
Biosequence analysis
Time series prediction

【生成模型Generative Model】——intra-class probabilistic description

又叫產生式模型。估計的是聯合概率分布（joint probability distribution），p(class, context)=p(class|context)*p(context)。

用于隨機生成的觀察值建模，特別是在給定某些隱藏參數情況下。在機器學習中，或用于直接對數據建模（用概率密度函數對觀察到的draw建模），或作為生成條件概率密度函數的中間步驟。通過使用貝葉斯rule可以從生成模型中得到條件分布。

如果觀察到的數據是完全由生成模型所生成的，那么就可以fitting生成模型的參數，從而僅可能的增加數據相似度。但數據很少能由生成模型完全得到，所以比較準確的方式是直接對條件密度函數建模，即使用分類或回歸分析。

與描述模型的不同是，描述模型中所有變量都是直接測量得到。

- 主要特點：
一般主要是對后驗概率建模，從統計的角度表示數據的分布情況，能夠反映同類數據本身的相似度。
只關注自己的inclass本身（即點左下角區域內的概率），不關心到底 decision boundary在哪。
- 優點:
實際上帶的信息要比判別模型豐富，
研究單類問題比判別模型靈活性強
模型可以通過增量學習得到
能用于數據不完整（missing data）情況
modular construction of composed solutions to complex problems
prior knowledge can be easily taken into account
robust to partial occlusion and viewpoint changes
can tolerate significant intra-class variation of object appearance
- 缺點：
tend to produce a significant number of false positives. This is particularly true for object classes which share a high visual similarity such as horses and cows
學習和計算過程比較復雜

- 常見的主要有：
Gaussians, Naive Bayes, Mixtures of multinomials
Mixtures of Gaussians, Mixtures of experts, HMMs
Sigmoidal belief networks, Bayesian networks
Markov random fields

所列舉的Generative model也可以用disriminative方法來訓練，比如GMM或HMM，訓練的方法有EBW(Extended Baum Welch),或最近Fei Sha提出的Large ?? ??? ?Margin方法。

- 主要應用：
NLP:
Traditional rule-based or Boolean logic systems (Dialog and Lexis-Nexis) are giving way to statistical approaches (Markov models and stochastic context grammars)
Medical Diagnosis:
QMR knowledge base, initially a heuristic expert systems for reasoning about diseases and symptoms been augmented with decision theoretic formulation Genomics and Bioinformatics
Sequences represented as generative HMMs

【兩者之間的關系】
由生成模型可以得到判別模型，但由判別模型得不到生成模型。
Can performance of SVMs be combined elegantly with flexible Bayesian statistics?
Maximum Entropy Discrimination marries both methods: Solve over a distribution of parameters (a distribution over solutions)

【參考網址】

http://prfans.com/forum/viewthread.php?tid=80

http://hi.baidu.com/cat_ng/blog/item/5e59c3cea730270593457e1d.html

http://en.wikipedia.org/wiki/Generative_model

http://blog.csdn.net/yangleecool/archive/2009/04/05/4051029.aspx

==================
比較三種模型：HMMs and MRF and CRF

http://blog.sina.com.cn/s/blog_4cdaefce010082rm.html

HMMs(隱馬爾科夫模型):
狀態序列不能直接被觀測到(hidden)；
每一個觀測被認為是狀態序列的隨機函數；
狀態轉移矩陣是隨機函數，根據轉移概率矩陣來改變狀態。
HMMs與MRF的區別是只包含標號場變量，不包括觀測場變量。

MRF(馬爾科夫隨機場)
將圖像模擬成一個隨機變量組成的網格。
其中的每一個變量具有明確的對由其自身之外的隨機變量組成的近鄰的依賴性(馬爾科夫性)。

CRF(條件隨機場),又稱為馬爾可夫隨機域
一種用于標注和切分有序數據的條件概率模型。
從形式上來說CRF可以看做是一種無向圖模型，考察給定輸入序列的標注序列的條件概率。

在視覺問題的應用：
HMMs:圖像去噪、圖像紋理分割、模糊圖像復原、紋理圖像檢索、自動目標識別等
MRF: 圖像恢復、圖像分割、邊緣檢測、紋理分析、目標匹配和識別等
CRF: 目標檢測、識別、序列圖像中的目標分割

P.S.
標號場為隱隨機場，它描述像素的局部相關屬性，采用的模型應根據人們對圖像的結構與特征的認識程度，具有相當大的靈活性。
空域標號場的先驗模型主要有非因果馬爾可夫模型和因果馬爾可夫模型。

參考自：link

==================================================

概率圖模型之生成模型與判別模型

From：link

====================================================

一個通俗易懂的解釋，摘錄如下：

Let’s say you have input data x and you want to classify the data into labels y. A?generative model?learns the?joint probability distribution p(x,y)?and a?discriminative model?learns the?conditional probability distribution p(y|x)?– which you should read as ‘the probability of y given x’.

Here’s a really simple example. Suppose you have the following data in the form (x,y):

(1,0), (1,0), (2,0), (2, 1)

p(x,y) is

y=0 y=1 ----------- x=1 | 1/2 0 x=2 | 1/4 1/4

p(y|x) is

y=0 y=1 ----------- x=1 | 1 0 x=2 | 1/2 1/2

If you take a few minutes to stare at those two matrices, you will understand the difference between the two probability distributions.

The distribution p(y|x) is the?natural?distribution for classifying a given example x into a class y, which is why algorithms that model this directly are called?discriminative?algorithms. Generative algorithms model p(x,y), which can be tranformed into p(y|x) by applying Bayes rule and then used for classification. However, the distribution p(x,y) can also be used for other purposes. For example you could use p(x,y) to?generate?likely (x,y) pairs.

From the description above you might be thinking that generative models are more generally useful and therefore better, but it’s not as simple as that.?This paper?is a very popular reference on the subject of discriminative vs. generative classifiers, but it’s pretty heavy going.?The overall gist is that discriminative models generally outperform generative models in classification tasks.
另一個解釋，摘錄如下：

判別模型Discriminative Model，又可以稱為條件模型，或條件概率模型。估計的是條件概率分布(conditional distribution)， p(class|context)。 生成模型Generative Model，又叫產生式模型。估計的是聯合概率分布（joint probability distribution），p(class, context)=p(class|context)*p(context)。 ///機器學習方法的兩種分類：產生式模型和判別式模型

假定輸入x, 類別標簽y

—產生式模型（生成模型）估計聯合概率 P(x, y), 因可以根據聯合概率來生成樣本 —:?HMMs—判別式模型（判別模型）估計條件概率 P(y|x), 因為沒有x的知識，無法生成樣本，只能判斷分類: SVMs,CRF,MEM一個舉例：

(1,0), (1,0), (2,0), (2, 1)
產生式模型：

p(x, y)：
P(1, 0) = 1/2, P(1, 1) = 0, P(2, 0) = 1/4, P(2, 1) = 1/4.

判別式模型：
P(y|x)：
P(0|1) = 1, P(1|1) = 0, P(0|2) = 1/2, P(1|2) = 1/2—o和s分別代表觀察序列和標記序列—產生式模型—???? 構建o和s的聯合分布p(s,o)—判別式模型—??? ?構建o和s的條件分布p(s|o)—產生式模型中，觀察序列作為模型的一部分；—判別式模型中，觀察序列只作為條件，因此可以針對觀察序列設計靈活的特征。產生式模型：無窮樣本==》概率密度模型 = 產生模型==》預測
判別式模型：有限樣本==》判別函數 = 預測模型==》預測一般認為判別型模型要好于生成型模型，因為它是直接根據數據對概率建模，而生成型模型還要先求兩個難度相當的概率—————————————–

CRF其實就是一種在生產模型基礎上的判別模型？

條件隨機場模型是由Lafferty在2001年提出的一種典型的判別式模型。它在觀測序列的基礎上對目標序列進行建模,重點解決序列化標注的問題條件隨機場模型既具有判別式模型的優點,又具有產生式模型考慮到上下文標記間的轉移概率,以序列化形式進行全局參數優化和解碼的特點,解決了其他判別式模型(如最大熵馬爾科夫模型)難以避免的標記偏置問題。

條件隨機場理論（CRFs）可以用于序列標記、數據分割、組塊分析等自然語言處理任務中。在中文分詞、中文人名識別、歧義消解等漢語自然語言處理任務中都有應用，表現很好。

目前基于 CRFs 的主要系統實現有 CRF，FlexCRF，CRF++

缺點：訓練代價大、復雜度高

———————————

條件隨機場模型是一種無向圖模型，它是在給定需要標記的觀察序列的條件下，計算整個標記序列的聯合概率分布，而不是在給定當前狀態條件下，定義下一個狀態的狀態分布。即給定觀察序列O,求最佳序列S。與最大熵模型相似，條件隨機場（Conditional random fields，CRFs）是一種機器學習模型，在自然語言處理的許多領域（如詞性標注、中文分詞、命名實體識別等）都有比較好的應用效果。條件隨機場最早 由John D. Lafferty提出，其也是Brown90的 作者之一，和賈里尼克相似，在離開IBM后他去了卡耐基梅隆大學繼續搞學術研究，2001年以第一作者的身份發表了CRF的經典論文 “Conditional random fields: Probabilistic models for segmenting and labeling sequence data”。

關于條件隨機場的參考文獻及其他資料，Hanna Wallach在05年整理和維護的這個頁面“conditional random fields”非常不錯，其中涵蓋了自01年CRF提出以來的很多經典論文（不過似乎只到05年，之后并未更新）以及幾個相關的工具包(不過也沒有包括CRF++），但是仍然非常值得入門條件隨機場的讀者參考。

——————————————–

一 般序列分類模型常常采用隱馬模型(HMM), 像基于類的中文分詞, 但隱馬模型中存在兩個假設: 輸出獨立性假設和馬爾可夫性假設. 其中, 輸出獨立性假設要求序列數據嚴格相互獨立才能保證推導的正確性, 而事實上大多數序列數據不能 被表示成一系列獨立事件. 而條件隨機場則使用一種概率圖模型, 具有表達長距離依賴性和交疊性特征的能力, 能夠較好地解決標注(分類)偏置等問題的優點, 而且所有特征可以進行全局歸一化, 能夠求得全局的最優解.

條件隨機場是一個無向圖上概率分布的學習框架, 由Lafferty 等首先引入到自然語言處理的串標引學習任務中來. 最常用的一類CRF是線性鏈CRF, 適用于我們的分詞學習. 記觀測串為W=w1w2…wn, 標記串(狀態)序列 Y=y1y2…yn, 線性鏈CRF對一個給定串的標注, 其概率定義為:

。。。 。。。

其中, Y是串的標注序列, W是待標記的字符, fk是特征函數, λk是對應的特征函數的權值, 而t是標記, Z(W)是歸一化因子, 使得上式成為概率分布.

CRF模型的參數估計通常使用L-BFGS算法來完成. CRF的解碼過程, 也就是求解未知串標注的過程, 需要搜索計算該串上的一個最大聯合概率, 即:

Y* = arg max(y)P(Y|W)

在線性鏈CRF上, 這個計算任務可以用一般的Viterbi算法來有效地完成.

目前我發現的關于CRF的實現有:

* CRF++(http://crfpp.sourceforge.net/)

* Pocket CRF(http://sourceforge.net/project/showfiles.php?group_id=201943)

Reference：

[1] http://blog.csdn.net/wen718/archive/2010/10/23/5960820.aspx

[2] http://hi.baidu.com/%D5%D4%B7%F6%B7%E7/blog/item/803dfccfedd38037f8dc617b.html

總結

以上是生活随笔為你收集整理的判别式和产生式的区别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。