翻译：AI研习社（季一帆）
在本文中，我们将讨论生成模型和判别模型之间的差异、形成原因及相关内容。
判别式机器学习在可能的输出选择中确定输出。该过程根据给定的数据进行训练，从而学习模型参数，以最大化联合概率P(X,Y)。
分类有时被称为判别模型，这有一定道理，毕竟分类模型就是要到输入实例的类别进行判断。
无监督模型一般会对输入变量的分布进行学习，并能够根据输入分布创建或生成新的实例，类似这样的模型称为生成式模型。
对于变量分布已知的情况，如高斯分布。
由于生成模型能够总结数据分布，因此可以根据输入变量分布生成新变量。
在这种情况下，生成模型可能非常适合，而使用判别模型的化则会使问题复杂化，反之亦然。
例如对于条件预测任务，判别模型表现显著优于生成模型，同时具有更好的正则性。
看这样一个例子：有Tony和Mark两个小朋友，他们要在宠物商店中分辨出小猫和小狗。对于宠物，我们假定它们包含颜色、大小、眼睛颜色、毛发长短和叫声等特征。
给Mark两张照片，一张是猫，一张是狗，Mark要做出判断。他想到可以根以下条件进行判断：如果叫声是“喵喵”、眼睛是蓝色或绿色、具有褐色或黑色的条纹，则大概率会是猫。根据这样的简单规则，Mark可以容易的识别出猫或狗。
Tony的任务可没这么简单。不是要他判断图片中是猫还是狗，而是要在两张白纸上画出猫和狗的样子。Tony能够画出猫和狗的样子，那么给他展示图片，他也很容易的区分出图中是猫还是狗。可以看到，相比Mark的方法，Tony的方法更加耗时。
假设只有猫狗两种宠物。如果一张图片上是蓝眼睛、棕色条纹的狗，那么Mark可能会将其标记为猫，但Tony可以判断出图片中一定是狗。
如果Tony对猫和狗的特征了解的更多，他能够绘制出更详细准确的图画。但是，如果提供足够多的猫狗数据集，那么Mark会表现得更好。
Mark的判断方法就是认真的观察，总结能够区分的特征，但过多的复杂特征会导致过拟合，但Tony不会遇到这种情况。
如果在访问宠物商店之前，他们没有任何信息呢？也就是说只提供未标注的数据。这种情况下，Mark完全不知道该怎么做，Tony也判别不出什么（因为他不知道“猫”“狗”这两个类别），但至少Tony可以根据看到的猫和狗去画图，这难道不是巨大的优势吗？半监督就是如此。
在上述例子中，Mark就是判别式方法，而Tony代表生成式方法。
再看另一个例子，将语音分类为语言模型。
判别式方法重点在区别语言模型间的差异。无需学习语言就可实现语音分类。而生成式方法需要学习每种语言，根据学习到的知识进行分类。
数学上的区别
判别式机器学习训练模型在可能的输出选项中选择正确输出，通过训练学习使条件概率P（Y | X）最大化的模型参数。
生成式机器学习则是通过训练学习使联合概率P（X，Y）最大化的模型参数。通常可以由P（Y）和P（X | Y）得到联合概率，当前前提是P（Y）和P（X | Y）条件独立。
判别式模型
逻辑回归
随机森林
支持向量机
经典神经网络
最近邻
生成式模型
隐马尔科夫模型
朴素贝叶斯
贝叶斯网络
混合高斯模型
为更好的理解，试着以下几个问题：（1 判别式；2 生成式）
哪种模型需要较少的训练数据？1
哪种模型能够生成数据？2
什么时候使用某类模型？
哪种模型对异常值更敏感？2
哪种模型容易过拟合？1
哪种模型训练时间短？1
哪种模型直接学习条件概率？1
在不确定情况下，哪种模型更好？2
当特征存在关联时，哪种模型更好？2
哪种模型具有更好的可解释性？2
分类问题中，哪种模型准确率高？1
对于未标注数据使用哪种模型？2
如果是标注数据哪种模型更好？1
哪种模型简单，训练速度更快？1
GAN
生成对抗网络（GAN）同时训练生成器和判别器，具体而言，生成器生成一批样本，这些样本与真实数据集一起提供给判别器进行分类。
判别式分类器的缺陷
它缺乏先验性，结构性和不确定性
黑盒子，变量之间的关系无法观测
结论
机器学习模型一般分为生成式和判别式两类，其中，生成式模型主要涉及建模操作，判别式模型一般用于分类问题。一般而言，生成式模型更具有解释力。
模型并不是越大越好、参数越多越好。更新更多参数意味着更长的训练时间、内存和计算量。一般而言，判别式模型有更好的正则性。
生成式模型所需的数据一般要比判别式模型更少。
参考文献
· Yogatama, D., Dyer, C., Ling, W., and Blunsom, P., 2017. Generative and discriminative text classification with recurrent neural networks. arXiv preprint arXiv:1703.01898.
· Lasserre, J.A., Bishop, C.M. and Minka, T.P., 2006, June. Principled hybrids of generative and discriminative models. In 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06) (Vol. 1, pp. 87–94). IEEE.
· Wang, K., Zong, C., and Su, K.Y., 2012. Integrating generative and discriminative character-based models for Chinese word segmentation. ACM Transactions on Asian Language Information Processing (TALIP), 11(2), pp.1–41.
· Prasad, A., Niculescu-Mizil, A., and Ravikumar, P.K., 2017. On separability of loss functions, and revisiting discriminative vs. generative models. In Advances in Neural Information Processing Systems (pp. 7050–7059).
