机器学习中，监督学习模型主要有两种方式： 生成学习与判别学习。
- 生成模型
每一类单独学习模型，再用新的样本预测，在哪一类上预测概率最大，输出结果即为哪一类。
经典模型：朴素贝叶斯（Naive Bayes，NB）
隐马尔可夫链（Hidden Markov Model，HMM）
- 判别模型
原理：直接学习决策函数，根据最终获得的条件概率分布决定预测类别。
多类数据一起训练学习模型，新样本测试获取在各个类别上的预测概率，从而决定预测类别。
经典模型：K近邻（k-Nearest Neighbor，KNN）
感知机（Perceptron）
决策树(Decision Tree , DT)
逻辑回归（logistic）
支持向量机（SVM）
最大熵模型（Maximum Entropy Model，MEM）
提升方法（boosting）
条件随机场（conditional random field，CRF）。
- 两种模型的区别：
由生成模型可以得到判别模型，但由判别模型得不到生成模型。 当存在隐变量（当我们找不到引起某一现象的原因的时候，我们就把这个在起作用，但是，无法确定的因素，叫“隐变量”） 时，仍可以利用生成方法学习，此时判别方法不能用。
生成模型的特点：一般主要是对后验概率建模，从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度。模型囊括的信息要比判别模型丰富；对单类问题灵活性强；模型可以由增量学习获取；适用于数据不完整情况下，但是学习和计算过程较为复杂。
判别模型的特点：判别模型是寻找不同类别之间的最优分类面，反映的是异类数据之间的差异。分类边界更灵活，学习到的模型更为高级；可学习到多类样本之间的特征差异；性能远优于生成模型。但结果具有不确定性，无法反映数据本身的特性。