Генеративные и дискриминативные модели: простыми словами

В чём реальная разница между генеративным классификатором, таким как наивный байесовский классификатор, и дискриминативным, таким как логистическая регрессия? Всё сводится к одному выбору: моделировать ли весь мир или только границу? Генеративная модель изучает совместную вероятность P(x, y), полную картину того, как выглядит каждый класс, поэтому она может даже генерировать совершенно новые данные. Дискриминативная модель изучает условную вероятность P(y|x) напрямую, моделируя только точку, где проходит граница. Мы строим сравнение с нуля: совместная и условная вероятность, подгонка плотности для каждого класса против формирования единой границы, и знаменитый компромисс Нга и Джордана, где пересекаются две кривые обучения. Генеративная модель быстро обучается на небольшом объёме данных, но достигает плато при более высокой ошибке; дискриминативная модель требует больше данных, но останавливается на более низкой ошибке. В конце вы поймете, почему наивный байесовский классификатор и логистическая регрессия на самом деле являются парой, достигая одной и той же логистической формы двумя совершенно разными способами. Похожие видео ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ Наивный байесовский классификатор — объяснение:    • Naive Bayes - Explained   Логистическая регрессия — объяснение:    • Logistic Regression - Explained   Теорема Байеса — объяснение:    • Bayes' Theorem - Explained   Многомерное нормальное (гауссово) распределение — объяснение:    • Multivariate Normal (Gaussian) Distributio...   Максимальное правдоподобие — объяснение:    • Maximum Likelihood - Explained   Машины опорных векторов (SVM) — объяснение:    • Support Vector Machines (SVMs) - Explained   Частотное против байесовского мышления:    • Frequentist vs Bayesian Thinking   Байесовская линейная регрессия — объяснение:    • Bayesian Linear Regression   Содержание ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ 00:00 — Два способа классификации 00:40 — Совместная против условной: P(x,y) против P(y|x) 01:42 — Генеративная сторона (наивный байесовский классификатор) 02:31 — Дискриминативная сторона (логистическая регрессия) 03:17 — Компромисс: Кривые обучения пересекаются 04:02 - Одна пара, две философии Подписывайтесь на меня ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ 🐦 X: @datamlistic https://x.com/datamlistic 📸 Instagram: @datamlistic   / datamlistic   📱 TikTok: @datamlistic   / datamlistic   👔 Linkedin:   / datamlistic   Канал Поддержка ▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬ Лучший способ поддержать канал — поделиться контентом. ;) Если вы также хотите поддержать канал финансово, пожертвование в размере стоимости чашки кофе всегда приветствуется! (полностью необязательно и добровольно) ► Patreon:   / datamlistic   ► Bitcoin (BTC): 3C6Pkzyb5CjAUYrJxmpCaaNPVRgRVxxyTq ► Ethereum (ETH): 0x9Ac4eB94386C3e02b96599C05B7a8C71773c9281 ► Cardano (ADA): addr1v95rfxlslfzkvd8sr3exkh7st4qmgj4ywf5zcaxgqgdyunsj5juw5 ► Tether (USDT): 0xeC261d9b2EE4B6997a6a424067af165BAA4afE1a #машинноеобучение #наукаоданных #классификация