首先明确一点，机器学习其实是从特征x预测标记y，求条件概率P(y|x)的过程。
判别式模型
判别式模型直接通过求解条件概率p(y|x)或者直接计算y的值来预测y，就是判别数据输出量的模型；
举例：
要判断一个羊是山羊还是绵羊，用判别式模型就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。
求解思路：
条件分布-->模型参数后验概率最大-->（似然函数,参数先验）最大-->最大似然
优点：
1.节省计算资源，需要的样本数量少于生成式模型；
2.准确率比生成式模型高；
3.直接学习P(y|x)，不需要求解类别条件概率，可对输入进行降维、构造等操作，简化学习问题；
缺点：
1.收敛速率慢；
2.不能给出其他信息；
常用的判别式模型：
线性回归（Linear Regression）,逻辑回归（Logistic Regression）,支持向量机（SVM）, 传统神经网络（Traditional Neural Networks）,线性判别分析（Linear Discriminative Analysis），条件随机场（Conditional Random Field）
生成式模型
生成式模型通过观测值和标注数据计算联合概率分布P(x,y)来判定或估算y，就是生成数据分布的模型；
举例：
生成式模型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，看看放到山羊模型中的概率是多少，再看看放到绵羊模型中的概率是多少，哪个大就是哪个。
求解思路：
联合分布-->求解类别先验概率和类别条件概率
优点:1.不仅可以由联合概率计算条件分布，还可以给出其他信息；
2.收敛速度比较快，即当样本数量较多时，生成模型能更快地收敛于真实模型；
3.能够应付存在隐变量的情况；
缺点：
1.需要更多的样本和更多计算；
2.效果没有判别式模型好；
朴素贝叶斯（Naive Bayes）, 隐马尔科夫模型（HMM）,贝叶斯网络（Bayesian Networks）和隐含狄利克雷分布（Latent Dirichlet Allocation）
参考资料
机器学习“判定模型”和“生成模型‘有什么区别？