Перегляд вихідного коду сторінки Розрізнювальна модель

'''Розрі́знювальні моде́лі''' ({{lang-en|discriminative models}}), що також називають '''умо́вними моде́лями''' ({{lang-en|conditional models}}), є класом моделей, які застосовуються в [[Машинне навчання|машинному навчанні]] для моделювання залежності неспостережуваної змінної <math>y</math> від спостережуваної змінної <math>x</math>. В рамках імовірнісної схеми це здійснюється моделюванням [[Умовний розподіл|умовного розподілу ймовірності]] <math>P(y|x)</math>, який може застосовуватися для передбачення <math>y</math> з <math>x</math>.

Розрізнювальні моделі, на противагу до [[Породжувальна модель|породжувальних]], не дозволяють породжувати приклади зі [[Спільний розподіл|спільного розподілу]] <math>x</math> та <math>y</math>. Проте для таких задач як [[Статистична класифікація|класифікація]] та [[Регресійний аналіз|регресія]], що не потребують спільного розподілу, розрізнювальні моделі можуть демонструвати чудову продуктивність.<ref>P. Singla and P. Domingos. Discriminative training of Markov logic networks. In ''AAAI'', 2005. {{ref-en}}</ref><ref>J. Lafferty, A. McCallum, and F. Pereira. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data. In ''ICML'', 2001. {{ref-en}}</ref><ref>A. Ng and M. I. Jordan. On Discriminative vs. Generative Classiﬁers: A Comparison of Logistic Regression and Naive Bayes. In ''NIPS'', 2001 {{ref-en}}</ref> 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 [[Кероване навчання|керованими]], і їх неможливо легко розширити для [[Некероване навчання|некерованого навчання]]. Зрештою вибір між розрізнювальною та породжувальною моделлю диктують особливості конкретного застосування.

== Визначення ==
На відміну від породжувального моделювання, яке вчить [[спільний розподіл]] <math>P(x,y)</math>, розрізнювальне моделювання навчається <math>P(y|x)</math> або прямому відображенню заданої не спостережуваної (цільової) змінної <math>x</math> в клас міток <math>y</math> в залежності від спостережуваних змінних (тренувальних прикладів). При практичному розпізнаванні об'єктів, <math>x</math>, зазвичай, є вектором (наприклад, рядком пікселів або ознаками, отриманими з зображення тощо). З ймовірнісної точки зору, це досягається моделювання [[Умовна ймовірність|умовної ймовірності]] <math>P(y|x)</math>, що використовується для прогнозування <math>y</math> по <math>x</math>. Зауважимо, що є різниця між умовною моделлю та дискримінаційною моделлю, хоча найчастіше вони класифікуються як дискримінаційна модель.

=== Чиста розрізнювальна модель порівнянно з умовною моделлю ===
Умовна модель моделює умовний ймовірнісний розподіл, а розрізнювальна модель прагне оптимізувати відображення вхідних даних навколо найбільш подібних тренувальних даних<ref name=":0">{{Cite web|url=http://demo.clab.cs.cmu.edu/fa2015-11711/images/e/e5/DiscriminativeModels.pdf|title=Discriminative Models|last=Ballesteros|first=Miguel|date=|website=|archive-url=|archive-date=|dead-url=|access-date=28 жовтня 2018}}{{Недоступне посилання|date=вересня 2019 |bot=InternetArchiveBot }}</ref>.

== Приклади ==
Приклади розрізнювальних моделей, що використовуються в машинному навчанні, включать: [[Логістична регресія|логістичну регресію]], один із типів {{нп|Узагальнена лінійна модель|узагальненої лінійної регресії||Generalized linear model}}, що застосовується для передбачення [[Розподіл Бернуллі|двійкових]] або [[Категорійний розподіл|категорійних]] виходів (відомий також як {{нп|Максимально-ентропійний класифікатор|максимально-ентропійні класифікатори||Maximum entropy classifier}}); [[метод опорних векторів]], [[Підсилювання (мета-алгоритм)|підсилювання (метаалгоритм)]], [[Умовне випадкове поле|умовні випадкові поля]], [[Лінійна регресія|лінійну регресію]], [[Штучна нейронна мережа|нейронні мережі]] тощо.

== Див. також ==

* [[Породжувальна модель]]

== Примітки ==
{{Примітки}}

<!--
{{Портал|Статистика}}
-->

{{Статистика|state=expanded}}

{{statistics-stub}}
{{comp-sci-stub}}

[[Категорія:Регресійні моделі]]
[[Категорія:Машинне навчання]]