比如說你的任務是識別一個語音屬於哪種語言。例如對面一個人走過來，和你說了一句話，你需要識別出她說的到底是漢語、英語還是法語等。那麼你可以有兩種方法達到這個目的：用生成模型的方法是學習每一種語言，你花了大量精力把漢語、英語和法語等都學會了，我指的學會是你知道什麼樣的語音對應什麼樣的語言。然後再有人過來對你說話，你就可以知道他的語言對應什麼語言；用判別模型的方法是不去學習每一種語言，你只學習這些語言模型之間的差別，然後再分類。意思是指我學會了漢語和英語等語言的發音是有差別的，我學會這種差別就好了。

   生成模型的特點：一般主要是對後驗概率建模，從統計的角度表示資料的分佈情況，能夠反映同類資料本身的相似度。只關注自己的inclass本身，不關心到底 decision boundary在哪。
- 優點:
    實際上帶的資訊要比判別模型豐富，
    研究單類問題比判別模型靈活性強
    模型可以通過增量學習得到
    能用於資料不完整（missing data）情況
    modular construction of composed solutions to complex problems
    prior knowledge can be easily taken into account
    robust to partial occlusion and viewpoint changes
    can tolerate significant intra-class variation of object appearance
- 缺點：
    tend to produce a significant number of false positives. This is particularly true for object classes which share a high visual similarity such as horses and cows
    學習和計算過程比較複雜

     判別模型的特點：判別模型是尋找不同類別之間的最優分類面，反映的是異類資料之間的差異。

- 優點:
    分類邊界更靈活，比使用純概率方法或生產模型得到的更高階。
    能清晰的分辨出多類或某一類與其他類之間的差異特徵
    在聚類、viewpoint changes, partial occlusion and scale variations中的效果較好
    適用於較多類別的識別
    判別模型的效能比生成模型要簡單，比較容易學習
- 缺點：
    不能反映訓練資料本身的特性。能力有限，可以告訴你的是1還是2，但沒有辦法把整個場景描述出來。
    Lack elegance of generative: Priors, 結構, 不確定性
    Alternative notions of penalty functions, regularization, 核函式
    黑盒操作: 變數間的關係不清楚，不可視    

     兩者之間的關係：由生成模型可以得到判別模型，但由判別模型得不到生成模型。

                               當存在隱變數（當我們找不到引起某一現象的原因的時候，我們就把這個在起作用，但是，無法確定的因素，叫“隱變數”） 時，仍可以利用生成方法學習，此時判別方法不能用。

 典型應用：

    生成模型：樸素貝葉斯方法、隱馬爾可夫模型

    判別模型：k近鄰法、感知機、決策樹、邏輯斯諦迴歸模型、最大熵模型、支援向量機、提升方法、條件隨機場