About: Generative model

Facets (new session)
Description
Metadata
Settings
- Rule:
- Inverse Functional Properties:
- "Same As":

About: Generative model Goto Sponge NotDistinct Permalink

An Entity of Type : yago:WikicatProbabilisticModels, within Data Space : dbpedia.org associated with source document(s)
QRcode icon

http://dbpedia.org/describe/?url=http%3A%2F%2Fdbpedia.org%2Fresource%2FGenerative_model

In statistical classification, two main approaches are called the generative approach and the discriminative approach. These compute classifiers by different approaches, differing in the degree of statistical modelling. Terminology is inconsistent, but three major types can be distinguished, following : Standard examples of each, all of which are linear classifiers, are: * generative classifiers: * naive Bayes classifier and * linear discriminant analysis * discriminative model: * logistic regression

Attributes	Values
rdf:type	person yago:WikicatStatisticalModels yago:Assistant109815790 yago:CausalAgent100007347 yago:LivingThing100004258 yago:Model110324560 yago:Object100002684 yago:Organism100004475 yago:Person100007846 yago:PhysicalEntity100001930 yago:Worker109632518 yago:YagoLegalActor yago:YagoLegalActorGeo yago:Whole100003553 yago:WikicatProbabilisticModels
rdfs:label	Modelo generador (es) Modèle génératif (fr) Generative model (en) Породжувальна модель (uk) 生成模型 (zh)
rdfs:comment	En classement automatique un modèle génératif est un modèle statistique défini par opposition à un modèle discriminatif. Étant donné une variable X à laquelle il doit associer une autre variable Y, le modèle génératif cherchera à décrire la probabilité conditionnelle ainsi que la probabilité puis d'utiliser la formule de Bayes pour calculer la probabilité . Autrement dit le modèle génératif cherche à décrire chaque classe et à en déduire à quel point une donnée présente les caractéristiques de cette classe. (fr) In statistical classification, two main approaches are called the generative approach and the discriminative approach. These compute classifiers by different approaches, differing in the degree of statistical modelling. Terminology is inconsistent, but three major types can be distinguished, following : Standard examples of each, all of which are linear classifiers, are: * generative classifiers: * naive Bayes classifier and * linear discriminant analysis * discriminative model: * logistic regression (en) En probabilidades y estadística, un modelo generador es un modelo para generar valores aleatorios de un dato observable, típicamente dados algunos parámetros ocultos. Este especifica una distribución conjunta sobre una secuencias de etiqueta. Los Modelos Generadores son usados en el campo del aprendizaje automático (machine learning) para modelar cualquier dato directamente, o como un paso intermedio para formar una función de densidad de probabilidad condicional. Una distribución condicional puede ser generada por un Modelo Generador mediante la Regla de Bayes. (es) В теорії ймовірностей та статистиці поро́джувальна моде́ль (англ. generative model) — це модель для породження випадковим чином значень спостережуваних даних, зазвичай для певних заданих прихованих параметрів. Вона визначає спільний розподіл ймовірності над послідовностями спостережень та міток. Породжувальні моделі застосовуються в машинному навчанні або для безпосереднього моделювання даних (тобто для моделювання спостережень, випадково витягнутих з функції густини ймовірності), або як проміжний крок для формування умовної функції густини ймовірності. Умовний розподіл може бути сформовано з породжувальної моделі через правило Баєса. (uk) 在概率统计理论中, 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯定理形成。香农 (1948) 给出了有一个英语双词频率表生成句子的例子。可以生成如“representing and speedily is an good”这种句子。一开始并不能生成正确的英文句子，但随着词频表由双词扩大为三词甚至多词，生成的句子也就慢慢的成型了。生成模型的定义与判别模型相对应：生成模型是所有变量的全概率模型，而判别模型是在给定观测变量值前提下目标变量条件概率模型。因此生成模型能够用于模拟（即生成）模型中任意变量的分布情况，而判别模型只能根据观测变量得到目标变量的采样。判别模型不对观测变量的分布建模，因此它不能够表达观测变量与目标变量之间更复杂的关系。因此，生成模型更适用于无监督的任务，如分类和聚类。典型的生成模型包括: * 高斯混合模型和其他混合模型 * 隐马尔可夫模型 * 随机上下文无关文法 * 朴素贝叶斯分类器 * * 潜在狄利克雷分配模型 * 受限玻尔兹曼机 (zh)
dcterms:subject	Probabilistic models Machine learning Statistical models
Wikipage page ID	1222578 (xsd:integer)
Wikipage revision ID	1121156154 (xsd:integer)
Link from a Wikipage to another Wikipage	Probabilistic models Probability distribution Naive Bayes classifier Bayesian network Bell System Technical Journal Joint probability distribution Deep belief network Conditional probability Conditional random field Massachusetts Institute of Technology Maximum likelihood estimation Generative adversarial network Outcome (probability) Mixture model Energy based model GPT-2 GitHub Statistical model Stochastic context-free grammar Empirical measure Decision Tree Learning Maximum-entropy Markov model Machine learning GPT-3 Classification (machine learning) Latent Dirichlet allocation Linear classifier Linear discriminant analysis Logistic regression Diffusion model Discriminative model Flow-based generative model Graphical model Regression analysis Restricted Boltzmann machine Statistical models K-nearest neighbors algorithm Hidden Markov model Autoencoder Autoregressive model Averaged one-dependence estimators Marginal distribution Boltzmann machine Classification rule Generative adversarial networks Statistical classification Discrete variable Observable variable Bayes' rule Target function Support Vector Machines Target variable Gaussian mixture model Markov decision processes Random Forest Continuous variable Naive bayes dbr:Wikt:classify dbr:Wikt:discriminate dbr:Wikt:pleonasm
Link from a Wikipage to an external page	https://www.tnt.uni-hannover.de/edu/vorlesungen/InfoTheor/download/shannon1948.pdf https://link.springer.com/book/10.1007/978-3-030-93158-2 https://www.springer.com/us/book/9781402076473 https://www.cs.columbia.edu/~jebara/papers/jebara4.pdf http://robotics.stanford.edu/~ang/papers/nips01-discriminativegenerative.pdf https://github.com/jmtomczak/intro_dgm http://citeseerx.ist.psu.edu/viewdoc/download%3Fdoi=10.1.1.7.513&rep=rep1&type=pdf https://www.cs.cmu.edu/~tom/mlbook/NBayesLogReg.pdf
sameAs	Generative model Generative model

Faceted Search & Find service v1.17_git139 as of Feb 29 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3330 as of Mar 19 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (61 GB total memory, 49 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software