1. 前言
判别式模型：只有一个模型，把测试数据往里一丢，结果就出来了。如 SVM。
生成式模型：有多个模型（一般有多少类就有多少个），把测试数据丢到各个模型里面，最后比较结果，选择最优的最为结果。如 朴素贝叶斯。
2.基本概念
判别模型，就是判别（数据输出量）的模型。
生成模型，就是生成（数据的分布）的模型。
2. 适用环境
从结果角度看，两种模型都能给出输出量（lable 或 y 等）
但生成模型的处理过程会告你关于数据的一些统计信息（p(x|y) 分布等），更接近统计学。
判别模型是通过一系列处理得到结果，这个结果可能是概率或者不是，这个并不改变他是不是判别的。
3.具体模型
生成式模型：
- 朴素贝叶斯
- K近邻（KNN）
- 混合高斯模型
- 隐马尔可夫模型（HMM）
- 贝叶斯网络
- Sigmoid Belief Networks
- 马尔科夫随机场（Markov Random Fields）
- 深度信念网络（DBN）
判别模型：
- 线性回归
- 逻辑回归
- 神经网络（NN）
- 支持向量机（SVM）
- 高斯过程（Gaussian Process）
- 条件随机场（CRF）
- CART（Classification and Regression Tree）
4.模型范例
假设现在一个分类问题，X是特征，y是标记。用生成模型学习一个联合概率分布P(X, y)，而用判别模型学习一个条件概率分布P(y|X)。
用一个简单例子，假设X就是两个（1或2），y有两类（0或1），有如下样本（1,0）、（1,0）、（1,1）、（1,2）
则联合概率分布（生成模型）：
| 0 | 1 | |
| 1 | 1/2 | 1/4 |
| 2 | 0 | 1/4 |
而条件概率分布（判别模型）：
| 0 | 1 | |
| 1 | 2/3 | 1/3 |
| 2 | 0 | 1 |
在实际分类问题中，判别模型可以直接用来判断特征的类别情况，而生成模型，需要加上贝耶斯法则，然后应用到分类中。但是，生成模型的概率分布可以还有其他应用，就是说生成模型更一般更普适。不过判别模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。
来自：忘了