两者都用于监督学习，在此您想要学习将输入 x 映射到输出 y 的规则，给定许多形式为的训练示例。生成模型（例如，朴素贝叶斯）显式地对联合概率分布建模，然后使用贝叶斯规则计算。另一方面，判别模型（例如逻辑回归）直接进行建模。$\{(x_i,y_i)\}$$p(x,y)$$p(y|x)$$p(y|x)$

有人认为判别模型更好，因为它直接对您关心的数量进行建模，因此您不必将建模工作花费在输入 x 上（您需要计算以及在生成模型中)。但是，生成模型有其自身的优势，例如处理缺失数据的能力等。对于一些比较，您可以看一下这篇论文：On Discriminative vs. Generative classifiers: A comparison oflogistic regression and naive Bayes$(y)$$p(x|y)$

可能存在一种模型比另一种更好的情况（例如，如果您有大量数据，判别模型通常会做得更好；如果您有一些额外的未标记数据，生成模型可能会更好）。事实上，也存在试图引入两全其美的混合模型。有关示例，请参见本文：生成模型和判别模型的原理混合

对上述答案的补充：

由于判别式只关心 P(Y|X)，而生成式同时关心 P(X,Y) 和 P(X)，为了更好地预测 P(Y|X)，生成式模型的自由度较小在模型中与判别模型相比。所以生成模型更健壮，更不容易过拟合，而判别模型则相反。

这解释了上面的答案

在某些情况下，一种模型比另一种更好（例如，如果您有大量数据，判别模型通常会做得更好；如果您有一些额外的未标记数据，生成模型可能会更好）。