Niektóre modele uczą się generować. Inne uczą się podejmować decyzje. Modele dyskryminacyjne koncentrują się na granicy między klasami, szacując prawdopodobieństwo danej etykiety na podstawie danych wejściowych, zamiast modelować sposób, w jaki same dane zostały wygenerowane.

Regresja logistyczna, maszyny wektorów nośnych i większość klasyfikatorów neuronowych są dyskryminacyjne. Zwykle przewyższają one modele generatywne w zadaniach klasyfikacyjnych, ponieważ dedykują pojemność granicy decyzyjnej, a nie pełnemu rozkładowi danych.

Typowe modele dyskryminacyjne

• Regresja logistyczna
• Maszyny wektorów nośnych
• Pola losowe warunkowe
• Najgłębsze klasyfikatory

Kompromisem jest elastyczność. Model dyskryminacyjny nie jest w stanie generować nowych próbek ani obsługiwać brakujących danych tak sprawnie, jak jego odpowiednik generatywny. Wybór między nimi zależy od tego, czy zadanie polega na predykcji, czy syntezie.