A respeito de inteligência artificial, de tipos de análise d...

Os Modelos Discriminativos classificam ou prevêem categorias com base em dados já conhecidos, focando na probabilidade condicional P(y∣x), onde Y é o rótulo e X são as características observadas. Exemplos comuns incluem regressão logística, SVM e redes neurais. O objetivo principal é diferenciar as classes fornecidas no conjunto de dados.

Por outro lado, os Modelos Generativos vão além da simples classificação, modelando a probabilidade conjunta P(x,y). Isso lhes permite tanto categorizar os dados quanto gerar novos exemplos semelhantes aos dados originais. Eles aprendem a estrutura de como os dados são formados, sendo úteis em tarefas como geração de texto, imagens ou áudio. Exemplos incluem redes generativas adversariais (GANs), modelos de mistura gaussiana e transformadores como o GPT.

Um modelo generativo tem as marginais P(A) e P(B) e a PDF conjunta P(A, B). Com isso, você pode avaliar P(A | B) ou P(B | A) com a mesma facilidade. Essa é a ideia subjacente aos classificadores naive Bayes. Assim, os modelos generativos podem realizar tarefas como:

• Geração de novos exemplos usando a distribuição de probabilidade conjunta.
• Prever o rótulo mais relevante em um novo exemplo usando a probabilidade condicional.
• Prever o exemplo mais relevante com um novo rótulo usando a outra probabilidade condicional.
• Estimar a probabilidade geral de determinados eventos usando as probabilidades marginais.

Isso torna os modelos generativos flexíveis e multifuncionais. Por outro lado, elas envolvem inerentemente mais complexidade durante o treinamento, porque:

• O modelo precisa estimar as PDFs conjuntas e as PDFs marginais.
• Em seguida, se necessário, o modelo avalia as condicionais

Os modelos discriminativos, por outro lado, estão preocupados apenas com condicionais. Com base no conjunto de dados de treinamento, é possível estimar as probabilidades condicionais diretamente sem estimar as probabilidades conjuntas ou marginais. 

Assim, os modelos discriminativos são mais simples de treinar. No entanto, um modelo discriminativo que tenha aprendido a probabilidade condicional P(A | B) só pode executar tarefas que envolvam essa probabilidade condicional específica. Ele não pode fazer mais nada. 

Os modelos generativos são suficientemente flexíveis para tarefas generativas e discriminativas. Durante o treinamento, o modelo aprende a PDF conjunta e os marginais. Durante a inferência, o modelo deve calcular a probabilidade condicional usando a distribuição conjunta e a probabilidade marginal apropriada. Portanto, a inferência em tarefas discriminativas é mais lenta.

Os modelos discriminativos, por outro lado, aprenderam diretamente (numericamente) as probabilidades condicionais. Eles estimam a probabilidade condicional em uma única etapa com base nos dados de entrada durante a inferência. 

Além disso, como os modelos discriminativos se concentram apenas na estimativa de uma única quantidade (a probabilidade condicional), observa-se que eles são mais precisos. Uma PDF conjunta tem mais incerteza incorporada do que uma simples probabilidade condicional. Essa incerteza adicional se reflete na precisão relativamente menor dos modelos generativos para tarefas de classificação. 

fonte: https://www.datacamp.com/pt/blog/generative-vs-discriminative-models