Certains modèles apprennent à générer des données. D'autres apprennent à décider. Les modèles discriminatifs se concentrent sur la frontière entre les classes, estimant la probabilité d'une étiquette étant donné les données d'entrée plutôt que de modéliser la manière dont les données elles-mêmes ont été produites.

La régression logistique, les machines à vecteurs de support et la plupart des classificateurs neuronaux sont discriminatifs. Ils ont tendance à surpasser les modèles génératifs dans les tâches de classification car ils consacrent leur capacité à la frontière de décision plutôt qu'à la distribution complète des données.

Modèles discriminatifs communs

• Régression logistique
• Machines à vecteurs de support
• champs aléatoires conditionnels
• La plupart des classificateurs profonds

Le compromis réside dans la flexibilité. Un modèle discriminatif ne peut pas générer de nouveaux échantillons ni gérer les données manquantes aussi efficacement qu'un modèle génératif. Le choix entre les deux dépend de la nature de la tâche : prédiction ou synthèse.