Розрізнювальна модель

Матеріал з Вікіпедії — вільної енциклопедії.
Перейти до навігації Перейти до пошуку

Розрі́знювальні моде́лі (англ. discriminative models), що також називають умо́вними моде́лями (англ. conditional models), є класом моделей, які застосовуються в машинному навчанні для моделювання залежності неспостережуваної змінної від спостережуваної змінної . В рамках імовірнісної схеми це здійснюється моделюванням умовного розподілу ймовірності , який може застосовуватися для передбачення з .

Розрізнювальні моделі, на противагу до породжувальних, не дозволяють породжувати приклади зі спільного розподілу та . Проте для таких задач як класифікація та регресія, що не потребують спільного розподілу, розрізнювальні моделі можуть демонструвати чудову продуктивність.[1][2][3] З іншого боку, породжувальні моделі є зазвичай гнучкішими за розрізнювальні у вираженні залежностей в складних задачах навчання. До того ж, більшість розрізнювальних моделей за своєю природою є керованими, і їх неможливо легко розширити для спонтанного навчання. В кінцевому рахунку вибір між розрізнювальною та породжувальною моделлю диктують особливості конкретного застосування.

Приклади[ред. | ред. код]

Приклади розрізнювальних моделей, що використовуються в машинному навчанні, включать:

Див. також[ред. | ред. код]

Примітки[ред. | ред. код]

  1. P. Singla and P. Domingos. Discriminative training of Markov logic networks. In AAAI, 2005. (англ.)
  2. J. Lafferty, A. McCallum, and F. Pereira. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data. In ICML, 2001. (англ.)
  3. A. Ng and M. I. Jordan. On Discriminative vs. Generative Classifiers: A Comparison of Logistic Regression and Naive Bayes. In NIPS, 2001 (англ.)