這是課程講到的第一個生成學習算法，它將對p(x|y)建模。
它要解決分類問題，此例中y只取0或1，x取連續量。
對此模型的定義：
y顯然是伯努利分佈，這裏我們假設了x服從多維正態分佈。
具體展開上面的概率分佈：
我們依然用最大化擬然函數的方法得到各參數的最優值：（與前面稍有不同，前面我們用p(y|x)來得出擬然函數，但這裏我們爲了簡化計算，採用p(x,y)得出，事實上，兩者同時取最值。）
將概率分佈代入上式，最大化這個函數，得到：（過程略）
這些結果是很合理的，符合它的含義，μ0其實是所有分類爲0的樣本中xi出現次數的和，它作爲期望值合情合理。其他參數也同理。
這是算法得出的結果，注意到，它與線性迴歸類似，實質上也是得到了一個決策邊界：一條直線。
事實上，本文中的GDA模型與logistic迴歸是有聯繫的，下篇博文將總結。
當 p(x|y) 時高斯分佈是，可導出 p(y|x) 符合某種形式的logistic函數反之則不一定成立。這說明，GDA對數據的特徵進行了更強的假設，當假設正確時，GDA通常能取得比logistic更好的性能。當p(x|y) 真的是服從高斯分佈時，GDA是asymptoticallyefficient 漸近有效的，意即，沒有別的算法能比他嚴格地更好
logistic做了更弱地假設，優點是假設錯誤時代價小，更具普適意義，也更常用
