Alguns modelos aprendem a gerar. Outros aprendem a decidir. Os modelos discriminativos focam-se na fronteira entre classes, estimando a probabilidade de um rótulo dado a entrada, em vez de modelar a forma como os próprios dados foram produzidos.

A regressão logística, as máquinas de vetores de suporte e a maioria dos classificadores neurais são discriminativos. Tendem a superar os modelos generativos em tarefas de classificação porque dedicam capacidade à fronteira de decisão em vez da distribuição completa dos dados.

Modelos discriminativos comuns

• Regressão logística
• Máquinas de vetores de suporte
• Campos aleatórios condicionais
• A maioria dos classificadores profundos

A contrapartida é a flexibilidade. Um modelo discriminativo não consegue gerar novas amostras nem lidar com dados em falta tão bem como um modelo generativo. A escolha entre eles depende se a tarefa é de previsão ou de síntese.