Одни модели учатся генерировать. Другие учатся принимать решения. Дискриминативные модели фокусируются на границе между классами, оценивая вероятность метки при заданных входных данных, а не моделируя сам процесс получения данных.

Логистическая регрессия, машины опорных векторов и большинство нейронных классификаторов являются дискриминативными. Они, как правило, превосходят генеративные модели в задачах классификации, поскольку выделяют ресурсы на границу принятия решения, а не на все распределение данных.

Общие дискриминативные модели

• Логистическая регрессия
• Машины опорных векторов
• Условные случайные поля
• Большинство глубоких классификаторов

Компромисс заключается в гибкости. Дискриминативная модель не может генерировать новые образцы или обрабатывать пропущенные данные так же эффективно, как генеративный аналог. Выбор между ними зависит от того, является ли задача прогнозирования или синтеза.