百度百科版本
在概率统计理论中， 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯定理形成。
维基百科版本
在统计分类中，包括机器学习，两种主要方法被称为生成方法和判别方法。这些计算分类器采用不同的方法，统计建模的程度不同。术语不一致，但可以区分三种主要类型，遵循Jebara（2004）：
- 给定一个可观察到的变量 X和目标变量 ÿ，一个生成模型是一个统计模型的的联合概率分布上X × ÿ，
- 甲判别模型是的模型条件概率的目标ÿ，给定的观察X，象征性地;
- 不使用概率模型计算的分类器也被宽泛地称为“判别性”。
最后两个类之间的区别并不一致; Jebara（2004）将这三个类别称为生成学习，条件学习和歧视性学习，但Ng＆Jordan（2002）仅区分两个类别，称为生成分类器（联合分布）和判别分类器（条件分布或没有分配），没有区分后两类。类似地，基于生成模型的分类器是生成分类器，而基于判别模型的分类器是判别分类器，尽管该术语也指不基于模型的分类器。每个标准例子都是线性分类器，它们是：生成分类器：朴素贝叶斯分类器和线性判别分析 ; 判别模型：逻辑回归 ; 非模型分类器：感知器和支持向量机。
扩展阅读