假设有两类数据，每一类都有若干个样本；概率生成模型认为每一类数据都服从某一种分布，如高斯分布；从两类训练数据中得到两个高斯分布的密度函数，具体的是获得均值和方差两个参数；测试样本输入到其中一个高斯分布函数，得到的概率值若大于0.5，则说明该样本属于该类，否则属于另一类。
算法的核心在于获取分布函数的两个参数。具体的做法是：利用训练数据，构造似然函数，使得该似然函数最大的参数即为所求。事实上，一类数据的所有训练样本的均值和协方差即为所求。
得到其中一类的分布函数后，就可以对测试样本进行测试分类：
下图反映的是取样本的两个特征进行可视化的分类结果，可以看到只有47%的准确率。一个原因是选择的特征没有足够的区分性，另外一个原因是模型自身有问题
改进模型，使两类数据共用同一个协方差，均值不变。这里的协方差由两个类的协方差加权求和构成。
从下图可以看到，分类准确率提高到73%，决策边界也变成了直线
总结：
1、概率生成模型的三个步骤：
2、分布函数不唯一，可以是高斯分布，也可能是伯努利分布，根据数据特点人工决定
3、概率生成模型的决策函数可以转换成sigmoid函数：
4、判别模型和生成模型：前者直接计算求解w和b，后者通过求解分布函数的参数间接获得w和b，区别在哪里？
一般认为判别模型的分类效果比生成模型略胜一筹，但当训练数据较少时生成模型表现更好，而且生成模型对噪声点更鲁棒。从计算机复杂度来看，你认为呢？
