Discriminatorpohjaiset

Discriminatorpohjaiset viittaavat koneoppimisen ja tilastotieteen lähestymistapoihin, joissa mallin päätös ja oppiminen perustuvat diskriminanttiin eli luokittelijaan. Käytännössä tavoitteena on oppia erottava funktio f(x), joka antaa todennäköisyydet tai luokat jokaista syötettä x kohti. Tämä on erotettuna generatiivisista malleista, jotka yrittävät mallintaa p(x, y) tai luoda uusia esimerkkejä, ja siten opettaa datajakauman sekä luokkien välistä suhdetta.

Discriminatorpohjaiset mallit optimoivat yleensä p(y|x) tai vastaavat päätösten rajat, ja ne voivat olla tehokkaita ja suorituskykyisiä, kun riittävästi labeled-dataa on saatavilla. Ne ovat yleisimpiä luokitus- ja päätösongelmissa sekä luonnollisen kielen käsittelyssä, konenäössä ja bioinformatiikassa. Esimerkkejä discriminatiivisista malleista ovat logistinen regressio, tuki-vektorikoneet, päätöspuut, satunnaiset metsät sekä monet neuroverkot, joita käytetään luokitteluun.

Yksi discriminatiivisten mallien keskeinen etu on kyky mallintaa monimutkaisia riippuvuuksia ilman tarvetta mallintaa kokonaisjakaumaa. Rajoitteita ovat se, että ne tarvitsevat usein suuria määriä laadukasta merkkidataa eivätkä välttämättä tuota datajakauman kaltaista ymmärrystä. Ne voivat myös olla herkimpiä väärille luokitteluille sekä epävarmoille datoille.

Discriminatorpohjaiset lähestymistavat ovat keskeinen osa modernia valikoima- ja luokitusmenetelmiä ja niitä sovelletaan laajasti eri aloilla. Katso myös generatiiviset mallit ja GAN-verkot.