高斯判别分析模型
对于常见的分类算法，经常用到的都是判别学习算法，如 logistic二元分类器，还有softmax分类器等。它们都有一个共同的特点，那就是我们直接去求 p(y|x; θ）, 有时候也表示为 hθ(x)，这类方法的重点是去拟合参数θ。
还有一种算法：生成学习算法。它的中心思想是直接去求p(y|x; θ）很难,然后转而去求 p(x｜y) 与p(y ), 然后利用贝叶斯公式得到：p(y|x） ＝ p(x｜y) * p(y )/ p(x)。
下面介绍生成学习算法中的高斯判别分析：
它是核心假设为：p(x｜y)服从高斯分布。这个假设的含义就是指在给定某一类别下，所属类别的所有样本的分布为高斯分布。这个假设在大多数情况下是成立的。
下面以两分类（伯努利分布）来说明一个高斯判别分析：
当我们求p(y|x）时， 我们利用叶斯公式：
对于分类问题，我们不用关心p(x),因为我们求的是所属类 Y 的概率大小啊，所以我们只关心分子就可以啦，即：
如果我们非得想求出p(x)也可以，利用全概率公式就可以求出来了，即 p(x) = p(x|y = 1)p(y = 1) + p(x|y = 0)p(y = 0)。
下面呢，让我们看一下各自的分布情况哈：
由于 y服从伯努利分布，而p(x|y)服从的为高斯分布，所以呢，可以写作：
注意：虽然类别分别为0与1，但是我们用了相同的协方差矩阵。当然也可以用不相同的协方差矩阵。
然后呢，对于一个训练样本集合来说，我们可以写出它的拟然函数来，如下所示为log形式的拟然函数：
为使似然函数得到最大值，对参数求使层数为 0，我们得到对应的参数的值：
到现在为止，我们就得到了高斯判别分析模型了，它可以用于分类的哦，分类时，我们的核心假设为对于每类中的样本分布呈现高斯分布。
我们来看一个直观的的例子，下图为二维的情况下的图哈，变量x 为二维的。
高斯判别分析模型与logistic模型的关系：
在两分类上，我们也可以用logistic模型进行分类（它属于判别学习算法），我们看看高斯判别模型与logistic回归模型的关系哈，先看个图：
说明了什么呢？
其实 上图中的losgtic回归网线就是p(y=1|x) = p(x |y=1)p(y=1) / p(x)的曲线。 两个高斯分布交界的地方就是logistic曲线等于0.5的地方， 因为在这一点 p(y = 0) 与 p(y =1)的概率相同。
当p(x |y )服从高斯分布时，我们可以推出logistic回归，但是呢反推是不成立的。 所以呢， 当p(x |y)真的服从高斯分布时，我们用高斯判别分析比logistic模型更好。
总之呢，高斯判别作出了更强的假设，需要少的数据，并且大大部分的情况下结果很好的，而logistic回归模型通常更加泛化。
参考：ufldl 教程；
