机器学习之生成式模型与判别式模型的区别

**机器学习之生成式模型与判别式模型**

在机器学习领域，模型可以分为两大类：生成式模型（Generative Model）和判别式模型（Discriminative Model）。这两种模型的主要区别在于它们的目标和应用场景。

**1. 判别式模型**

判别式模型的主要目的是将输入数据分类到不同的类别中。它通过学习特定输入数据的模式来实现这一点。判别式模型通常用于二元分类问题，如图像识别、文本分类等。

典型的判别式模型包括：

* **逻辑回归（Logistic Regression）**：这是一个简单的判别式模型，通过学习输入数据的线性组合来预测输出类别。
* **支持向量机（SVM）**：SVM 是一种强大的判别式模型，它通过找到最佳分离超平面来实现分类。

# Logistic Regressionfrom sklearn.linear_model import LogisticRegressionX = [[1,2], [3,4]]
y = [0,1]

model = LogisticRegression()
model.fit(X, y)

print(model.predict([[5,6]]))

# SVMfrom sklearn.svm import SVCX = [[1,2], [3,4]]
y = [0,1]

model = SVC()
model.fit(X, y)

print(model.predict([[5,6]]))

# VAEimport torchimport torch.nn as nnclass VAE(nn.Module):
 def __init__(self, input_dim, hidden_dim, output_dim):
 super(VAE, self).__init__()
 self.encoder = nn.Sequential(
 nn.Linear(input_dim, hidden_dim),
 nn.ReLU(),
 nn.Linear(hidden_dim, hidden_dim),
 nn.ReLU()
 )
 self.decoder = nn.Sequential(
 nn.Linear(hidden_dim, hidden_dim),
 nn.ReLU(),
 nn.Linear(hidden_dim, output_dim)
 )

 def forward(self, x):
 z = self.encoder(x)
 return self.decoder(z)

# GANimport torchimport torch.nn as nnclass Generator(nn.Module):
 def __init__(self, input_dim, hidden_dim, output_dim):
 super(Generator, self).__init__()
 self.fc1 = nn.Linear(input_dim, hidden_dim)
 self.relu1 = nn.ReLU()
 self.fc2 = nn.Linear(hidden_dim, output_dim)

 def forward(self, x):
 return self.fc2(self.relu1(self.fc1(x)))

class Discriminator(nn.Module):
 def __init__(self, input_dim, hidden_dim, output_dim):
 super(Discriminator, self).__init__()
 self.fc1 = nn.Linear(input_dim, hidden_dim)
 self.relu1 = nn.ReLU()
 self.fc2 = nn.Linear(hidden_dim, output_dim)

 def forward(self, x):
 return self.fc2(self.relu1(self.fc1(x)))