请帮助我理解生成算法和判别算法之间的区别 ，记住我只是一个初学者。
#1楼
在实践中，模型使用如下。
在判别模型中 ，要从训练示例x预测标签y ，您必须评估：
这只是选择考虑x的最可能的类y 。 这就像我们试图模拟类之间的决策边界 。 这种行为在神经网络中非常清楚，其中计算出的权重可以看作是一个复杂形状的曲线，隔离了空间中一个类的元素。
现在，使用贝叶斯的规则，让我们替换
在等式中 
。 由于您只对arg max感兴趣，因此您可以消除分母，这对于每个y都是相同的。 那么，你就离开了
这是你在生成模型中使用的等式。
在第一种情况下，你有条件概率分布 p(y|x) ，它模拟了类之间的边界，在第二种情况下，你有联合概率分布 p（x，y），因为p（x，y）= p （x | y）p（y），它明确地模拟每个类的实际分布 。
使用联合概率分布函数，给定y ，您可以计算（“生成”）其各自的x 。 因此，它们被称为“生成”模型。
#2楼
生成算法模拟数据的生成方式，以便对信号进行分类。 它提出了一个问题：基于我的一代假设，哪个类别最有可能产生这个信号？
判别算法不关心数据是如何生成的，它只是对给定信号进行分类。
#3楼
一个额外的信息点，与上面的StompChicken的答案很好。
判别模型和生成模型之间的根本区别在于：
判别模型学习类之间的（硬或软）边界
生成模型模拟各个类的分布
编辑：
生成模型是可以生成数据的模型 。 它模拟了特征和类（即完整数据）。
如果我们模拟P(x,y) ：我可以使用这个概率分布来生成数据点 - 因此所有建模P(x,y)算法都是生成的。
例如。 生成模型
朴素贝叶斯模型
P(c)和P(d|c)- 其中c是类，d是特征向量。另外，
P(c,d) = P(c) * P(d|c)因此，Naive Bayes在某些形式模型中，
P(c,d)贝叶斯网
马尔科夫网队
判别模型是仅能用于区分/分类数据点的模型 。 在这种情况下，您只需要对P(y|x)进行建模（即给定特征向量的类概率）。
例如。 判别模型：
逻辑回归
神经网络
条件随机字段
一般而言，生成模型需要比判别模型更多地建模，因此有时不那么有效。 事实上，大多数（不确定是否所有）无监督学习算法（如聚类等）可以称为生成，因为它们模型为P(d) （并且没有类别：P）
PS：部分答案来自消息来源
#4楼
这是CS299（Andrew Ng）与该主题相关的讲义中最重要的部分，它真正帮助我理解判别性和生成性学习算法之间的区别 。
假设我们有两类动物，大象（ y = 1 ）和狗（ y = 0 ）。 而x是动物的特征向量。
给定训练集，像逻辑回归或感知器算法（基本上）的算法试图找到一条直线 - 即决策边界 - 将大象和狗分开。 然后，为了将新动物分类为大象或狗，它检查决定边界的哪一侧，并相应地进行预测。 我们称这些判别性学习算法 。
这是一种不同的方法。 首先，看大象，我们可以建立一个大象的模型。 然后，看着狗，我们可以建立一个单独的模型，看看狗的样子。 最后，为了对新动物进行分类，我们可以将新动物与大象模型相匹配，并将其与狗模型相匹配，以查看新动物是否更像大象或更像我们在训练组中看到的狗。 我们称这些生成学习算法 。
#5楼
我的两分钱：歧视性方法强调差异生成方法不关注差异; 他们试图建立一个代表班级的模型。 两者之间存在重叠。 理想情况下，应该使用两种方法：一种方法可用于查找相似性，另一种方法可用于查找不相似性。
来源：oschina
链接：https://my.oschina.net/u/3797416/blog/3156080