大模型的分类
“明确模型的类型,能力明确模型的运行”
在学习机器学习的环节中,生成式模型和判断式模型是两个经典类型的模型,弄明确两者之间的咨询与区别是一个十分关键的事件,也会加深对大模型的了解。
那么什么是生成模型和判断模型呢?
生成式模型和判断式模型的区别与咨询
生成式模型和判断式模型是两种不同的机器学习类型,它们之间具备不同的指标和运行场景,很关键的一点是不论生成式模型还是判断式模型,都是基于监视学习的机器学习算法。
生成式模型
生成式模型是经过学习数据的联结概率散布P(X,Y),从而能够生成新的数据样本,它不只能够启动分类,还能生成与训练数据相似的样本,这也是AIGC的基础。
生成式模型的指标是依据数据的联结概率散布,能够生成新的,近似的数据样本。
上班原理:
经常出现的生成式模型类型:
运行场景:
图像生成:生成真切的图像(GANs)
数据增强:生成新样本用于增强训练数据
人造言语生成:生成文本,对话等(VAE)
判断式模型
判断式模型是经过学习数据的条件概率散布P(Y|X),间接启动分类或回归义务。它并重于学习特色与标签之间的决策边界。
指标:
判断式模型关键用于分类和回归,经过找到特色和标签之间的映射相关启动分类。
上班原理:
场景判断式类型:
逻辑回归:用于二分类疑问,学习线性决策边界
撑持向量机:经过最大化分类距离,找到最优决策边界
神经网络:经过多个暗藏层学习复杂的特色映射相关
随机森林:经过集成多个决策树启动分类或回归
运行场景:
分类义务:如图像分类,文本分类
回归义务:如房价预测,股票多少钱预测
序列标注:如命名体识别,语音识别
关键区别
生成式模型:学习数据的联结概率散布,能够生成新的样本
判断式模型:学习数据的条件概率散布,间接启动分类或回归
2. 模型复杂度
生成式模型:通常更复杂,由于它须要建模数据的联结散布
判断式模型:通常较便捷,只有要建模特色与标签之间的条件概率
3. 训练数据要求
生成式模型:须要少量数据以准确学习联结散布
判断式模型:通常对数据量要求较少,但对数据品质要求较高
4.运行场景
生成式模型:用于生成数据,数据增强,图像消费等
判断式模型:用于分类,回归,序列标注等义务
总之,判断式模型和生成式模型是机器学习中的两种经典类型,其在模型指标,复杂度,训练数据和运行场景上都有显著的区别。
生成式模型用于生成新的数据和学习数据的联结散布,而判断式模型则并重于分类和回归义务,经过学习特色与标签之间的条件概率散布。
在运行方面,应依据详细的义务和需求,选用适合的模型类型是最好的运行模式。
原文链接: