Ορισμένα μοντέλα μαθαίνουν να δημιουργούν. Άλλα μαθαίνουν να αποφασίζουν. Τα διακριτικά μοντέλα εστιάζουν στα όρια μεταξύ των κλάσεων, εκτιμώντας την πιθανότητα μιας ετικέτας δεδομένης της εισόδου αντί να μοντελοποιούν τον τρόπο με τον οποίο παράχθηκαν τα ίδια τα δεδομένα.

Η λογιστική παλινδρόμηση, οι μηχανές διανυσμάτων υποστήριξης και οι περισσότεροι νευρωνικοί ταξινομητές είναι διακριτικοί. Τείνουν να ξεπερνούν τα γενετικά μοντέλα σε εργασίες ταξινόμησης επειδή αφιερώνουν χωρητικότητα στο όριο απόφασης αντί για την πλήρη κατανομή δεδομένων.

Κοινά διακριτικά μοντέλα

• Λογιστική παλινδρόμηση
• Υποστηρικτικές μηχανές διανυσμάτων
• Υπό όρους τυχαία πεδία
• Οι πιο βαθιοί ταξινομητές

Το αντάλλαγμα είναι η ευελιξία. Ένα διακριτικό μοντέλο δεν μπορεί να δημιουργήσει νέα δείγματα ή να χειριστεί τα ελλείποντα δεδομένα με την ίδια κομψότητα όπως ένα γενετικό αντίστοιχο. Η επιλογή μεταξύ τους εξαρτάται από το αν η εργασία είναι πρόβλεψη ή σύνθεση.