之前介绍过了一系列的简单线性区别学习算法（discriminative learning algorithm）。而生成学习算法（generative learning algorithms）不同于此。前者是通过训练集训练后，根据输入空间X，将样本分为{0,1}两类，分类依据在概率上表示为P(y|x)。而后者，则是通过P(x|y)和P(y)，进而通过贝叶斯公式求得P(y|x)。就好比传统的猫狗分类问题，前者是在X空间上建立一个决策边界，这样，当新的样本进来，可以直接根据这个点落在X输入空间中的哪一边来对其进行分类。而后者则是，首先根据训练样本对猫和狗分别建立一个特征模型（即猫是什么样的的，狗又是什么样的），建立二者的特征分布（x|y的分布），然后，当新样本进来，就观察它是更像猫还是更像狗。
生成学习算法主要有 ：
1. 高斯判别分析法
必须要基本满足p(x|y)的分布近似于多维高斯分布，即y~Bernoulli(φ)，x|y=0 ~ N(μ0，Σ)，x|y=0 ~ N(μ1，Σ)，因此该数据的对数最大似然（就是最大化贝叶斯公公式的分子，即联合概率分布）为
根据训练集最大化似然估计，求得
最后的决策边界以 P(y=1|x) = 0.5 为界。
2. 朴素贝叶斯
按照文本分类，朴素贝叶斯方法也如上，根据贝叶斯公式来反向计算概率。与高斯判别分析法不同，朴素贝叶斯方法假设X空间向量的各维分量在y给定的条件下相互独立（条件独立于y）。这样就有
它的似然函数仍然是贝叶斯公式的分子，也就是联合分布似然，如下
最大化似然估计，得到三个参数的估计值如下：
这样可以求得判别函数：
由于在分类过程中，文本中可能出现一个从未出现过的词，导致P(xi|y=0)和P(xi|y=1)均为0，这样就会导致p(y=1|x) = 0/0 ，为了防止这种情况发生，会加上一个拉普拉斯平滑，即改变参数估计值如下：
其中分子永远是+1，分母则是加上xi可能取值的所有种类的数目，此处xi只能取0和1，故分母+2。
3. 文本分类事件模型
对朴素贝叶斯方法在文本分类中的应用加以改进，考虑每个词出现的次数，这样会得到文本分类事件模型。不同于朴素贝叶斯中的x是一个字典向量，此处的x是文本向量。朴素贝叶斯中xi代表字典中每个词在文本中出现与否（只能取0或者1），而文本分类事件模型中xi代表文本中每个词在字典中的index（可取1到字典总长度|V|）。因此，朴素贝叶斯中的x长度为字典长度，而文本分类事件模型中的x长度为文本长度。
这样文本分类事件模型的似然函数为
最大化似然函数得到估计值：
为防止冷启动情况，加上拉普拉斯平滑：
这就是几种常见的生成学习算法。
巧合的是，当p(x | y)的分布满足指数族分布（上文的三种模型的分布均满足指数族分布）时，均能将p(y=1 | x)的分布转化为logistic回归函数形式。因此，生成学习算法在本质上，往往与线性区别学习算法相吻合。
