一、简单理解
- 判别式模型出现早于生成式模型。
- 判别式模型其实并没有学习到数据的内容，只是单纯的记住了数据特征来做分类和判断。就像做模拟题，考试时遇到和模拟题一样的题会做，不一样的不会做。
- 而生成式模型能够学习数据的内容，对样本进行理解。就像真的学会了知识，考试时遇到的题都会做。
二、生成式模型 Generative Model（联想）
1、定义：学习得到联合概率分布P（X，Y），就是特征X和标记Y共同出现的概率。然后再求条件概率分布。能够学习数据的生成机制。
2、重点：由联合概率求条件概率。
3、常见算法：隐马尔可夫模型HMM、马尔可夫随机场、朴素贝叶斯、主题模型（LDA）、高斯混合模型。
4、计算思路：学习全部样本的先验和条件概率分布求出后验概率。
5、优点：
- 不仅可以通过联合概率分布，得到条件概率分布，还能够得到其他信息（如边缘分布）；
- 收敛速度比较快，当样本数据较多时，能更快的收敛于真实的模型；
- 完全学习了所有分布，可以用来检测某个异常值；
- 有更强大的泛化能力，可以举一反三；
- 能够应付存在隐变量的情况（如高斯混合模型就是含有隐变量的生成式模型）。
6、缺点：
- 虽然说联合概率可以得到更多的信息，但是需要付出更多的样本和计算资源，尤其是更准确地估计类别条件分布需要增加更多的样本数量，而且类别条件概率的许多信息是我们做分类用不到的，这样来说就有点浪费了（多数实践情况下，判别式模型的效果会更好）。
三、判别式模型 Discriminative Model（记忆）
1、定义：学习条件概率分布P（Y|X），就是特征X出现的情况下标记Y出现的概率。就是在给定数据X的情况下，分析样本具有的特征，然后再根据已知的特征去匹配。
2、重点：直接学习条件概率，不会去学习联合概率分布。
3、常见算法：支持向量机（SVM）、感知机、KNN、决策树、逻辑回归、线性回归、条件随机场（CRF）。（大部分有监督学习的算法都是判别模型）
4、计算思路：直接计算得到条件概率分布或者说得到决策边缘。
5、优点：
- 节省计算资源，需要的样本数量也少于生成式模型；
- 准确率往往会比生成式模型高。
6、缺点：
- 因为只求条件概率分布，而不是联合概率分布，所以可能得不到生成式模型会得到的信息；
- 泛化能力不行，对于自己没有见过的新样本效果不是很好。
四、实例：判断一个狗狗的品种是金毛还是哈士奇？
1、生成式模型
- 首先根据金毛的特征去学习一个模型M1，再根据哈士奇的特征去学习一个模型M2；
- 从要判断的这条狗中提取特征；
- 将提取的特征放到学习好的金毛的模型M1中得到概率P1，再放到学习好的哈士奇的模型M2中得到概率P2；
- P1和P2哪个更大，就是哪个品种。
2、判别式模型
- 从大量的历史数据中去学习一个模型M；
- 从要判断的这条狗中提取特征；
- 将提取的特征放到学习好的模型M来预测是金毛的概率P1和哈士奇的概率P2；
- P1和P2哪个更大，就是哪个品种。
3、总结
判别式模型只生成一种模型，而生成式模型会学习很多个模型（一般是有多少种类别，就会学习多少种模型）。