- 概念区分及代表算法：
两者均属于监督模型范畴，最直接的区分依据是，从给定的训练数据，学习到的目标概率分布不同。根据训练数据，
生成模型，学习联合概率分布P(X,Y)。然后求出条件概率分布P(Y|X)作为预测模型。公式：P(Y|X)=P(X,Y)/P(X)。代表算法有：朴素贝叶斯，HMM等。通常只有一个模型，输入实例，得到结果。
判别模型，学习条件概率分布P(Y|X)，或者直接学习判别决策函数f(X)。代表算法有k近邻算法，决策树、逻辑回归(学习P(Y|X))、最大熵模型、感知机(学习决策函数f(X))、支持向量机，感知机、提升算法，条件随机场。通常有多个模型（n类n模型），输入实例，比较模型结果，输出最合适结果。
角度1，结合维基百科上的案例来看：
角度2，博文机器学习之判别式模型和生成式模型 - nolonely - 博客园 举了一个例子：
判别式模型举例：要确定一个羊是山羊还是绵羊，用判别模型的方法是从历史数据中学习到模型，然后通过提取这只羊的特征来预测出这只羊是山羊的概率，是绵羊的概率。
生成式模型举例：利用生成模型是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，在放到绵羊模型中看概率是多少，哪个大就是哪个。
细细品味上面的例子，判别式模型是根据一只羊的特征可以直接给出这只羊的概率（比如logistic regression，这概率大于0.5时则为正例，否则为反例），而生成式模型是要都试一试，最大的概率的那个就是最后结果
角度3，从先验后验似然角度。
生成模型和判别模型最终都要学习出一个后验概率，即P(Y|X)，根据贝叶斯公式，P(Y|X)=[P(Y)*P(X|Y)]/P(X)，后验正比于先验和似然。
如果我们从训练数据中，获取先验和似然，然后乘起来，得到后验，再做决策，叫做生成模型。即，用乘法生成后验分布。如朴素贝叶斯，可参考李航书中P48页公式4.6形式。
如果我们不管先验后验，直接假设后验分布，训练数据获得模型，这叫判别模式。如逻辑回归。
补充概念，
后验概率是P(Y|X)，即在看到新的数据后，我们要计算的该假设的概率。
先验概率是P(Y)，是输入的 分布，在得到新数据之前，某一个假设的概率。
似然是P(X|Y)，是参数的分布，在该假设下，这一数据/参数的概率。
标准化常量P(X)是在任何假设下，得到这一数据的概率。
- 两者优劣：
生成模型：可还原联合概率分布P(X，Y)；样本容量增加时，学习模型收敛速度快；存在隐变量时，仍然可以用生成学习学习方法，但不能用判别方法；可以做异常点检测。
判别模型：直接面对预测，准确率高；不需要像生成模型一样学习多个分布进行比较，效率高；可以对数据进行抽象，即做特征工程，如创建新特征，简化学习问题。
参考书籍：
李航：统计学习方法
知乎：politer等