判别模型 vs 生成模型

判别模型： 判决属于哪一类，计算 条件概率。

生成模型：计算 联合概率。需要加上贝耶斯法则，然后应用到分类中。概率分布。

生成模型是模拟这个结果是如何产生的,然后算出产生各个结果的概率

两种模型都会告诉你最后的label标签 ，类别结果。

但是生成模型会告诉一个概率。生成模型会告诉你关于数据的一些统计信息（p(x|y) 分布 etc.）

判别模型： 决策树 （不是这个就是那个）

            判别模型实际是要得到一个判别边界，所以传统的、耳熟能详的机器学习算法如线性回归模型、支持向量机SVM等都是判别式模型，这些模型的特点都是输入属性X可以直接得到Y（对于二分类任务来说，实际得到一个score，当score大于threshold时则为正类，否则为反类）

而朴素贝叶斯说，p( cancer , fat ) = x% etc.，模型 生成 了一个分布给你了，即使你没意识到/没用到，只用到 p( cancer | fat ) = y% 这个最终的判别。

生成模型：贝叶斯 隐马尔可夫模型（重点的EM算法）是

判别模型：k近邻，支持向量机svm、提升方法boosting，感知机，CPR

图片转自：https://blog.csdn.net/wolenski/article/details/7985426