Některé modely klasifikují. Jiné vytvářejí. Generativní modely se učí základní distribuci dat a mohou z ní vzorkovat, čímž vytvářejí nové příklady, které se podobají trénovací sadě. Odpovídají na otázku, jak se data generují, nejen jak je označit.

Mezi klasické příklady patří naivní Bayesovy a Gaussovské směšovací modely. Moderní přístupy se spoléhají na neuronové sítě: variační autoenkodéry, generativní adversární sítě a difuzní modely. Každý z nich kompromisně snižuje kvalitu vzorku, stabilitu trénování a výpočetní náklady.

Běžné generativní modely

• Variační autoenkodéry
• Generativní adversarní sítě
• Difúzní modely
• Autoregresní modely
• Normalizace toků

Hodnocení je obtížné. Skóre pravděpodobnosti upřednostňuje některé rodiny. Vizuální kvalita upřednostňuje jiné. Žádná jednotlivá metrika nezachycuje, zda jsou generované vzorky užitečné, rozmanité a věrné trénovacímu rozdělení.