GDA和Logistic方法的区别及相应的matlab代码

由Ng的视频和讲义中可以总结出GDA方法的优劣和适用范围，然后再利用matlab进行编程，进行实战学习

GDA方法与Logistic方法的主要区别在于这两个模型的假设不同：

GDA方法假设很强：p(x|y)服从多元高斯分布，并且输入特征是连续的；

Logistic方法并没有GDA那么强的假设：它既没有要求p(x|y)服从多元高斯分布，也没有要求输入特征是连续的。

因此Logistic的适用范围比GDA更加广泛。例如：如 果输入特征符合泊松分布，则Logistic得到的结果会比GDA更加准确。如果输入特征满足GDA的要求时，既可以用Logistic方法也可以用GDA，但是在这种情况下GDA得到的结果会比Logistic方法得到的结果准确些。

    GDA是一种生成学习算法，主要利用贝叶斯准则得到后验分布律p(x|y)，然后通过最大后验分布对输入数据进行分类。简单地说，也就是在给定某个特征情况下，拥有此特征的数据属于哪个类的概率大 就属于哪个类。GDA的优势：由于有高斯分布的先验信息，如果确实符合实际数据，则只需要少量的样本就可以得到较好的模型。
    Logistic是一种判别学习算法，判别学习法通过建立输入数据与输出信息之间的映射关系学得p(y|x)，这个与生成学习法是不同的。在生成学习法中首先要确定p(x|y)和p(y)。Logistic主要是通过sigmoid函数来确定输入数据及是将如何进行分类的。Logistic的优势：具有更高的鲁棒性和对数据的分布不那么敏感(不像GDA那样需要特征服从高斯分布)。