机器学习：(判别模型)，(生成模型)，(朴素贝叶斯)，(高斯生成模型)

判别与生成模型的核心差异解析：http://blog.sciencenet.cn/home.php?mod=space&uid=248173&do=blog&id=227964

关于朴素贝叶斯与高斯判别分析的深入探讨：https://www.cnblogs.com/zyber/p/6490663.html

一：判别、生成

在机器学习的理论体系中，模型构建的路径大致可以分为两大阵营：生成模型与判别模型。这两者虽然最终目标都是对未知数据进行预测或分类，但其底层的数学逻辑、对数据分布的假设以及对样本量的依赖程度存在显著差异。

1、 生成模型（Generative Models）：其核心逻辑在于从无限样本的假设出发，构建一个完整的概率密度模型。这种模型也被称为“产生模型”，因为它试图模拟数据是如何被“生成”出来的。通过建立这种联合概率分布，模型不仅关注分类结果，更关注数据本身的分布特性。典型的生成模型包括隐马尔科夫模型（HMM）、朴素贝叶斯模型、高斯混合模型（GMM）、潜在狄利克雷分配（LDA）以及受限玻尔兹曼机（RBM）等。这类模型的核心任务是求解联合概率分布 P(x, y)，即特征 $