之前的答案都很好，我想再补充一点。

从生成算法模型中，我们可以推导出任何分布;而我们只能从判别算法模型中得到条件分布P(Y|X)(或者我们可以说它们只对判别Y的标签有用)，这就是为什么它被称为判别模型。判别模型不假设X是独立的给定Y($X_i \perp X_{-i} | Y$)，因此通常更强大的计算条件分布。

简短的回答

这里的许多答案都依赖于广泛使用的数学定义[1]:

判别模型直接学习条件预测分布p(y|x)。 生成模型学习联合分布p(x,y)(或者说，p(x|y)和p(y))。 预测分布p(y|x)可以用贝叶斯规则得到。

Although very useful, this narrow definition assumes the supervised setting, and is less handy when examining unsupervised or semi-supervised methods. It also doesn't apply to many contemporary approaches for deep generative modeling. For example, now we have implicit generative models, e.g. Generative Adversarial Networks (GANs), which are sampling-based and don't even explicitly model the probability density p(x) (instead learning a divergence measure via the discriminator network). But we call them "generative models” since they are used to generate (high-dimensional [10]) samples.

一个更广泛、更基本的定义[2]似乎同样适合这个一般性问题:

判别模型学习类之间的边界。 所以他们可以区分不同类型的数据实例。 生成模型学习数据的分布。 因此它们可以生成新的数据实例。

图片来源

仔细观察

即便如此，这个问题还是暗示了一种错误的二分法。生成-判别“二分法”实际上是一个频谱，您甚至可以平滑地在[4]之间插入。

因此，这种区分变得武断和令人困惑，特别是当许多流行的模型并没有整齐地归入其中一个或另一个时[5,6]，或者实际上是混合模型(经典的“判别”和“生成”模型的组合)。

尽管如此，这仍然是一个非常有用和常见的区别。我们可以列出一些生成式和判别式模型的明确例子，既有标准的，也有最近的:

生成:朴素贝叶斯，潜狄利克雷分配(LDA)，生成对抗网络(GAN)，变分自编码器(VAE)，归一化流。 判别:支持向量机(SVM)，逻辑回归，大多数深度神经网络。

还有很多有趣的工作深入研究了生成-判别划分[7]和频谱[4,8]，甚至将判别模型转换为生成模型[9]。

最后，定义在不断变化，尤其是在这个快速发展的领域:)最好对它们有所保留，甚至可以为自己和他人重新定义它们。

来源

Possibly originating from "Machine Learning - Discriminative and Generative" (Tony Jebara, 2004). Crash Course in Machine Learning by Google The Generative-Discriminative Fallacy "Principled Hybrids of Generative and Discriminative Models" (Lasserre et al., 2006) @shimao's question Binu Jasim's answer Comparing logistic regression and naive Bayes: cs.cmu.edu/~tom/mlbook/NBayesLogReg.pdf "On Discriminative vs. Generative classifiers" Comment on "On Discriminative vs. Generative classifiers" https://www.microsoft.com/en-us/research/wp-content/uploads/2016/04/DengJaitly2015-ch1-2.pdf "Your classifier is secretly an energy-based model" (Grathwohl et al., 2019) Stanford CS236 notes: Technically, a probabilistic discriminative model is also a generative model of the labels conditioned on the data. However, the term generative models is typically reserved for high dimensional data.

假设你有一个输入数据x，你想把数据分类为标签y。生成模型学习联合概率分布p(x,y)，判别模型学习条件概率分布p(y|x)——你应该把它理解为“给定x的y的概率”。

这里有一个非常简单的例子。假设你有(x,y)形式的以下数据:

(1,0), (1,0), (2,0), (2, 1)

p (x, y)

      y=0   y=1
     -----------
x=1 | 1/2   0
x=2 | 1/4   1/4

p (y | x)

      y=0   y=1
     -----------
x=1 | 1     0
x=2 | 1/2   1/2

如果你花几分钟时间盯着这两个矩阵看，你就会明白这两个概率分布之间的区别。

分布p(y|x)是将给定示例x分类为y类的自然分布，这就是为什么直接对其建模的算法被称为判别算法。生成算法建模p(x,y)，应用贝叶斯规则将p(y|x)转化为p(y|x)，用于分类。然而，分布p(x,y)也可以用于其他目的。例如，您可以使用p(x,y)来生成可能的(x,y)对。

从上面的描述中，您可能会认为生成模型更普遍，因此更好，但它并不是那么简单。这篇论文是关于区分分类器和生成分类器的一个非常流行的参考，但它相当沉重。总的要点是，在分类任务中，判别模型通常优于生成模型。

下面是CS299课堂讲稿中最重要的部分(作者:Andrew Ng)，它帮助我理解了判别学习算法和生成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)， x是动物的特征向量。

给定一个训练集，像逻辑回归或感知器算法这样的算法(基本上)试图找到一条直线——也就是一个决策边界——将大象和狗分开。然后，分类 一种新动物，比如大象或狗，它会检查它的哪一边 决定其所处的边界，并据此做出预测。我们称之为判别学习算法。

这里有一个不同的方法。首先，看看大象，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 单独的狗狗模型。最后，为了给一种新动物分类， 我们可以将新动物与大象模型相匹配，并将其与 狗的模型，看看新动物是否更像大象 或者更像我们在训练场上看到的狗。我们称之为生成式学习算法。

想象一下，你的任务是将演讲分类为一种语言。

你可以通过以下任何一种方式:

学习每一种语言，然后用你刚刚学到的知识对它进行分类

or

在不学习语言的情况下确定语言模型的差异，然后对语音进行分类。

第一种是生成方法，第二种是判别方法。

查看参考资料了解更多细节:http://www.cedar.buffalo.edu/~srihari/CSE574/Discriminative-Generative.pdf。

生成算法对数据如何生成进行建模，以便对信号进行分类。它提出了一个问题:根据我的世代假设，哪个类别最有可能产生这个信号?

判别算法并不关心数据是如何产生的，它只是对给定的信号进行分类。