Algunos modelos aprenden a generar. Otros aprenden a decidir. Los modelos discriminativos se centran en el límite entre clases, estimando la probabilidad de una etiqueta dada la entrada, en lugar de modelar cómo se produjeron los datos en sí.

La regresión logística, las máquinas de vectores de soporte y la mayoría de los clasificadores neuronales son discriminativos. Suelen superar a los modelos generativos en tareas de clasificación porque dedican capacidad al límite de decisión en lugar de a la distribución completa de los datos.

Modelos discriminatorios comunes

• Regresión logística
• Máquinas de vectores de soporte
• Campos aleatorios condicionales
• La mayoría de los clasificadores profundos

La desventaja radica en la flexibilidad. Un modelo discriminativo no puede generar nuevas muestras ni gestionar los datos faltantes con la misma eficacia que un modelo generativo. La elección entre ambos depende de si la tarea es de predicción o de síntesis.