您将在 Wikipedia 上找到解释。但让我们总结一下：

给定您的数据$D$您对目标值感兴趣$Y$, 你的分类。正如您所说，判别模型是根据您的数据对目标对应关系进行建模的直接方法，$P(Y|D)$. 另一方面，生成模型计算$P(D|Y)$.

让我们考虑电子邮件垃圾邮件过滤的示例。我们有一组参考电子邮件和每封邮件的标签，表明它是否是垃圾邮件。例如，如果我们现在看Naive Bayes，我们可以看到它利用贝叶斯公式来计算后验估计$P(Y|X) = \frac{P(X|Y)P(X)}{P(Y)}$. 与其他贝叶斯推理方法相反，朴素贝叶斯不成立$P(X)$作为模特，但是$P(X|Y)$，可以通过我们的参考电子邮件集进行建模。在这个域中，所有的电子邮件都可以建模为平均分布，从而使$P(X)$无趣。$P(Y)$也可以通过参考集来近似（只看标签）。

这样，我们可以为我们的标签生成概率$Y$，在我们的例子中是二进制的。现在我们可以应用最大后验方法：我们计算$P(Y=true|X)$和$P(Y=false|X)$看看哪一个更有可能。最有可能的选项将被选为我们的分类。