"generative algorithm models how the data was generated in order to categorize a signal. It asks the question: based on my generation assumptions, which category is most likely to generate this signal?discriminative algorithm does not care about how the data was generated, it simply categorizes a given signal."
discriminative：
试图找到class之间的差异，进而找到decision boundary,最大可能性地区分数据。他是通过直接学习到$p(y|x)$(例如Logistic regress)或者$X ightarrow Yin (0,1,...,k)$(例如perceptron algrithm)
generative：
采取另外一种方式，首先由先验知识prori-knowledge得到 $p(x|y),p(y)$ 然后，通过Bayes rule：$p(y|x) = frac{p(x|y)p(y)}{p(x)} $来求得$p(y|x)$,其中$p(x)=p(x|y=1)p(y=1)+p(x|y=0)p(y=0)$。这个过程可以看做由先验分布去derive后验分布。当然，在只需要判断出可能性大小的情况下，分母无需考虑，即：$$argmax_yp(y|x) = arg max_yfrac{p(x|y)p(y)}{p(x)}\=argmax_yp(x|y)p(y)$$
先验知识获取$p(x|y)和p(y)$的方式，是通过现有训练数据样本获得参数的过程。
1. 首先假设一个模型，即样本分布的模型（是伯努利还是高斯分布）
2. 然后通过似然估计likelihood function估计出参数
3. 最后通过贝叶斯公式导出$p(y|x)$
example
数据集:$X=(x_1,x_2)$,$Yin{0,1}$
- 首先我们假设数据的条件分布$p(x|y)$服从多元高斯正态分布（multivariate normal distribution）,则model形式如下：$$ysim extrm{Bernoulli}(phi) \ x|y=0 sim mathcal{N}(mu_0,Sigma) \ x|y = 1sim mathcal{N}(mu_1,Sigma )$$
-
接着通过最大似然估计（max likelihood estimate）估计参数。首先写出log似然函数：$$ell(phi,mu_0,mu_1,Sigma) = logprod_{i=1}^{m}p(x^{(i)},y^{(i)},mu_0,mu_1,Sigma) \ =logprod_{i=1}^mp(x^{(i)}|y^{(i)};mu_0,mu_1,Sigma)p(y^{(i)};phi).$$
然后似然函数$ell$最大化,即求解似然函数对参数导数为零的点：$$phi=frac{1}{m}sum_{i=1}^{m}1{y^{(i)}=1} \ mu_0= frac{sum_{i=1}^{m}1{y^{(i)}=0}x^{(i)}} {sum_{i=1}^m1{y^{(i)}=0}} \ mu_1= frac{sum_{i=1}^{m}1{y^{(i)}=1}x^{(i)}} {sum_{i=1}^m1{y^{(i)}=1}} \ Sigma = frac{1}{m}sum_{i=1}^m(x^{(i)}-mu_{y^{(i)}})(x^{(i)}-mu_{y^{(i)}})^T$$得到参数的估计值$(phi,mu_0,mu_1,Sigma)$，亦即得到分布函数$p(x|y)$。对照上面的图，$mu_0,mu_1$是两个二维向量，在图中的位置是两个正态分布各自的中心点，$Sigma$则决定者多元正态分布的形状。
![此处输入图片的描述][2]
从这一步可以看出获取参数的方式是“学习”得到的，即从大量样本-先验知识去估计模型，这样想是很自然的逻辑.然而严格的依据却是大数定律law of large numbers (LLN)，大数定律的证明很精彩，可自行查找资料。 - 通过贝叶斯公式比较$p(y=1|x)$和$p(y=0|x)$,来判别类属性。