生成模型在統計分類中，有兩種主要方法，即生成法和判別法。這些方法通過以不同方式計算分類器，在統計建模的程度上有所不同。術語是不一致的，但根據Jebara（2004）的說法，可以區分出三種主要類型。生成模型是一個聯合概率分布P(X,Y)的統計模型。{displaystyleP(X,Y)}是一個聯合概率分布的統計模型。在一個給定的可觀察變量X和一個目標變量Y上。判別模型是條件概率P(Y∣X=x)的模型。{displaystyleP(YmidX=x)}。目標Y的條件概率模型，給定一個觀察值x；以及不使用概率模型計算的分類器也被寬泛地稱為判別性的。這后兩類的區分并不一致；Jebara（2004）將這三類稱為生成性、條件性和判別性學習，但Ng&Jordan（2002）只區分了兩類，稱其為生成性分類器（聯合分布）和判別性分類器（條件性或無分布），沒有區分后兩類。同樣，基于生成模型的分類器是生成型分類器，而基于判別模型的分類器是判別型分類器，盡管該術語也指不基于模型的分類器。各自的標準例子，都是線性分類器，包括。生成分類器：天真貝葉斯分類器和線性判別分析判別模型：邏輯回歸當應用于分類時，人們希望從一個觀察值x到一個標簽y（或標簽的概率分布）。人們可以不使用概率分布而直接計算（沒有分布的分類器）；人們可以估計給定一個觀察值的標簽的概率。(鑒別模型），并將其作為分類的基礎；或者，人們可以估計聯合分布{displaystyleP(X,Y)}（生成模型）并將其作為分類的基礎。(生成模型），我們從中計算出條件概率{displaystyleP(Y|X=x)}，然后在此基礎上進行分類。，然后在此基礎上進行分類。這些方法越來越間接，但也越來越概率化，允許更多的領域知識和概率理論被應用。在實踐中，根據特定的問題使用不同的方法，而混合方法可以結合多種方法的優點。

另一種劃分是對稱性地定義這些方法。生成模型是一個給定目標Y的可觀測X的條件概率模型，符號為P(X∣Y=y){displaystyleP(XmidY=y)}。鑒別性模型是一個給定觀察X的目標Y的條件概率模型，符號是P(Y∣X=x){displaystyleP(YmidX=x)}。不管準確的定義是什么，這個術語是有章程的，因為生成模型可以用來生成隨機實例（結果），包括觀察和目標的隨機實例而鑒別性模型或鑒別性分類器（沒有模型）可以用來鑒別給定觀察值x的目標變量Y的值。

鑒別（區分）和分類之間的區別是微妙的，這些區別并不一致。(當判別等同于分類時，判別性分類器這個術語就成了一種說法）。生成式模型這個術語也被用來描述以一種與輸入變量的潛在樣本的概率分布沒有明確關系的方式生成輸出變量實例的模型。生成式對抗網絡就是這一類生成式模型的例子，主要通過特定輸出與潛在輸入的相似度來判斷。此類模型不是分類器。

在分類應用中，可觀察的X通常是一個連續變量，目標Y通常是一個由有限的標簽集組成的離散變量，而條件概率為也可以解釋為一個（非決定性的）目標函數{displaystylefcolonXtoY}，將X作為輸入，Y作為輸入。給定一個有限的標簽集，生成模型的兩個定義是密切相關的。一個條件分布的模型{displaystyleP(XmidY=y)}是每個標簽分布的一個模型。