ดูต้นฉบับสำหรับ แบบจำลองจำแนก

'''แบบจำลองจำแนก''' (discriminative model) หรือ '''แบบจำลองมีเงื่อนไข''' (conditional model) เป็นแบบจำลองโลจิสติกประเภทหนึ่งที่ใช้สำหรับ [[การจำแนกประเภทข้อมูล]] และ [[การวิเคราะห์การถดถอย]]  แบบจำลองเหล่านี้กำหนดขอบเขตการตัดสินตามข้อมูลที่สังเกตได้ เช่น "ผ่าน/ไม่ผ่าน" "ชนะ/แพ้" "มีชีวิต/ตาย" "สุขภาพดี/เจ็บป่วย" ฯลฯ

ตัวอย่างของแบบจำลองจำแนกทั่วไป ได้แก่ [[การถดถอยโลจิสติก]], [[สนามสุ่มมีเงื่อนไข]] และ [[ต้นไม้ตัดสินใจ]] เป็นต้น

ในทางกลับกัน ตัวอย่างทั่วไปของ[[แบบจำลองก่อกำเนิด]] ได้แก่ [[ตัวจำแนกเบส์อย่างง่าย]], [[ตัวเข้ารหัสอัตโนมัติแบบแปรผัน]] และ [[โครงข่ายปฏิปักษ์ก่อกำเนิด]] เป็นต้น

== นิยาม ==
แบบจำลองจำแนกนั้นจะทำการวิจัยโดยเน้นไปที่[[การแจกแจงความน่าจะเป็นมีเงื่อนไข]] <math>P(y|x)</math> ของฉลากจำแนกประเภท <math>y</math> ที่ได้จากตัวแปรที่สังเกตการณ์ได้ (ตัวอย่างที่ใช้ฝึกสอน) สำหรับตัวแปรเป้าหมาย <math>x</math> ที่ไม่ได้สังเกตการณ์

นี่เป็นข้อที่แตกต่างไปจาก[[แบบจำลองก่อกำเนิด]]ซึ่งเน้นไปที่การศึกษา[[การแจกแจงความน่าจะเป็นร่วม]] <math>P(x,y)</math>

ตัวอย่างเช่น ใน[[การรู้จำวัตถุ]]นั้น โดยทั่วไป <math>x</math> จะแสดงถึงพิกเซลดิบของ[[รูปภาพ]]หรือ[[เวกเตอร์]]ของสมบัติที่สกัดเอาจากพิกเซลดิบของรูปภาพ การสร้างแบบจำลองของการแจกแจงความน่าจะเป็นมีเงื่อนไขภายในกรอบตาม[[ทฤษฎีความน่าจะเป็น]] <math>P(y|x)</math> จะช่วยให้สามารถทำนาย <math>y</math> จาก  <math>x</math> ได้

== เปรียบเทียบแบบจำลองจำแนกและแบบจำลองก่อกำเนิด ==

สมมุติว่าตัวอย่างสำหรับฝึกเป็นข้อมูลที่มีป้ายกำกับจำแนกประเภท <math>m</math> ตัว และตัวแปรค่าลักษณะ <math>n</math> ตัว <math>Y:\{y_1, y_2,\ldots,y_m\}, X:\{x_1,x_2,\ldots,x_n \}</math> 

ใน[[แบบจำลองก่อกำเนิด]]จะใช้[[ความน่าจะเป็นร่วม]] <math>P(x,y)</math> ของค่าป้อนเข้า <math>x</math> และฉลาก <math>y</math> และใช้ [[ทฤษฎีบทของเบส์]] ในการทำนายฉลาก <math>\widetilde{y}\in Y</math> ที่รู้แล้วที่เป็นไปได้ที่สุดสำหรับค่าป้อนเข้า <math>\widetilde{x}</math> ที่ไม่รู้จัก<ref name=":2">{{Cite book|last=Ng|first=Andrew Y.|url=http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.9829|title=On Discriminative vs. Generative classifiers: A comparison of logistic regression and naive Bayes|last2=Jordan|first2=Michael I.|date=2001}}</ref>

ในทางกลับกัน แบบจำลองจำแนกไม่สามารถสร้างตัวอย่างจากการแจกแจงร่วมของตัวแปรที่สังเกตได้และตัวแปรเป้าหมาย แต่จะทำงานได้ดีกว่าแบบจำลองกำเนิดสำหรับงานต่าง ๆ เช่น [[การจำแนกประเภทข้อมูล]] และ [[การวิเคราะห์การถดถอย]] ซึ่งไม่ต้องการการแจกแจงร่วม โดยเหตุผลหนึ่งก็คือ มีตัวแปรสำหรับคำนวณน้อยกว่า<ref>{{Cite journal|last=Singla|first=Parag|last2=Domingos|first2=Pedro|date=2005|title=Discriminative Training of Markov Logic Networks|url=http://dl.acm.org/citation.cfm?id=1619410.1619472|journal=Proceedings of the 20th National Conference on Artificial Intelligence - Volume 2|series=AAAI'05|location=Pittsburgh, Pennsylvania|publisher=AAAI Press|pages=868–873|isbn=978-1577352365}}</ref><ref>J. Lafferty, A. McCallum, and F. Pereira. Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data. In ''ICML'', 2001.</ref><ref name=":2">{{Cite book|last=Ng|first=Andrew Y.|url=http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.9829|title=On Discriminative vs. Generative classifiers: A comparison of logistic regression and naive Bayes|last2=Jordan|first2=Michael I.|date=2001}}</ref> โดยทั่วไปแล้ว แบบจำลองก่อกำเนิดจะมีความยืดหยุ่นต่อปัญหาหารเรียนรู้ที่ซับซ้อนมากกว่า นอกจากนี้ แบบจำลองจำแนกส่วนใหญ่มักใช้[[การเรียนรู้แบบมีผู้สอน]] และไม่รับรอง[[การเรียนรู้แบบไม่มีผู้สอน]]

การเลือกระหว่างแบบจำลองจำแนก และแบบจำลองก่อกำเนิดนั้น ขึ้นอยู่กับความจำเป็นของการใช้งานเฉพาะนั้น ๆ แบบจำลองจำแนกและแบบจำลองก่อกำเนิดมีความแตกต่างกันตรงที่วิธีการหา[[ความน่าจะเป็นภายหลัง]]<ref name=":3">{{Cite web|last=Ulusoy|first=Ilkay|date=May 2016|title=Comparison of Generative and Discriminative Techniques for Object Detection and Classification|url=https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/Bishop-Sicily-05.pdf|access-date=October 30, 2018|website=[[Microsoft]]}}</ref> ในแบบจำลองจำแนกทำนายความน่าจะเป็นภายหลัง <math>P(y|x) </math> จากแบบจำลองอิงตัวแปรเสริม และได้ค่าพารามิเตอร์จากข้อมูลการฝึกสอน การประมาณค่าพารามิเตอร์ได้มาจากการหาค่า[[ภาวะน่าจะเป็นสูงสุด]]หรือการคำนวณการแจกแจงสำหรับพารามิเตอร์ ในทางกลับกัน แบบจำลองก่อกำเนิดมุ่งเน้นไปที่ความน่าจะเป็นร่วม และคำนวณความน่าจะเป็นภายหลัง <math>P(k)</math> โดย[[ทฤษฎีบทของเบส์]] ดังนั้น ความน่าจะเป็นภายหลังคือ

: <math>P(y|x) = \frac{p(x|y)p(y)}{\textstyle \sum_{i}p(x|i)p(i) \displaystyle}=\frac{p(x|y)p(y)}{p(x)}</math> <ref name=":3">{{Cite web|last=Ulusoy|first=Ilkay|date=May 2016|title=Comparison of Generative and Discriminative Techniques for Object Detection and Classification|url=https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/Bishop-Sicily-05.pdf|access-date=October 30, 2018|website=[[Microsoft]]}}</ref>

== อ้างอิง ==
{{รายการอ้างอิง}}

[[หมวดหมู่:แบบจำลองเชิงสถิติ]]
[[หมวดหมู่:การเรียนรู้ของเครื่อง]]