本案例依原書第 3 章 3.3.1「Discriminative Versus Generative Models」整理。
比較判別式模型與生成式模型的目標、機率表達與應用情境。
p(y|x) 與 p(x,y)／p(x) 的差異。原書指出，Discriminative Model 學習 Class Boundary，回答「給定 Input，正確 Label 是什麼？」；Generative Model 則學習 Data Distribution，可產生與原資料相似的新 Sample。
| 模型類型 | 原書目標 | 典型例子 |
|---|---|---|
| Discriminative | 學習 p(y | x)／Decision Boundary |
| Generative | 學習 p(x,y) 或 p(x) | GAN、VAE、Autoregressive／GPT |
| 互補使用 | Generative 產生 Synthetic Data，再訓練 Classifier | Face Expression Augmentation |
Excel 可建立 Task、Input、Output、Need-to-generate、Need-to-classify 對照；AI 可協助判斷任務屬性，但不能因為 GenAI 流行就自動選 Generative Model。
本節是概念比較，沒有可重算數值。
模型選擇應從問題目標出發：預測／分類與生成／模擬是不同任務。Generative Model 也可用 Synthetic Data 支援 Discriminative Model。
請判斷以下任務主要需要 Classification、Regression、Generation、Simulation 或兩類模型協作，並只依任務目標解釋，不以模型新舊作為選擇理由。