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：​ ​​ ​