标签：deephub Inference 变量 下雨 Prediction 推断 推理 预测

在机器学习的背景下，很多人似乎混淆了这两个术语。这篇文章将试图澄清我们所说的这两个词是什么意思，每一个词在哪里有用，以及它们是如何应用的。在这里，我将举几个例子来直观地理解两者之间的区别。

推理和预测这两个术语都描述了我们在监督下从数据中学习的任务，以便找到一个描述自变量和结果之间关系的模型。然而，当涉及到结果模型的使用时，推断和预测会出现分歧：

推理：使用模型了解数据生成过程。

预测：使用模型预测新数据点的结果。

推理(Inference)
你观察后院的草。它是湿的。你观察天空。天气多云。你推断已经下雨了。然后你打开电视看天气频道。天气多云，但有几天不下雨。你还记得几小时前你有洒水器的计时器。你推断这是草湿的原因。

另外一个例子：想象你在晚上盯着一个离你有点远的角落里的物体。离你越来越近…你会发现物体正盯着你看。当距离更近的时候可以看到动物的眼睛、皮毛、腿和其他特征。你推断那是只猫。一个简单的大脑程序，对吗？你觉得这件事微不足道，甚至讨论它都很愚蠢。当然，你可以认出一只猫，但事实上，这是一种推理。

假设猫有眼睛、毛发、形状等特征，当你靠近它时，你会给这些变量分配不同的值。例如，最初，eyes变量设置为0，因为您看不到它们。当你走近时，你对你所观察到的东西更加确定。你的大脑接受这些观察结果，并把它们转换成目标是猫的可能性。假设我们有一个catness变量，它表示对象是猫的可能性。最初，这个变量可能接近于零。当您靠近对象时，Catness会增加。推理发生了，并更新了你对物体属性的确认程度。

预测(Prediction)
现在我们来谈谈预测。你观察天空。天气多云。你预测会下雨。你从新闻里听说尽管有云，下雨的可能性很小。你修正了你的预测，很可能不会下雨。

根据人类的日常活动或日常活动模式来理解人类的行为，需要推断控制其行为动态的潜在变量。关于未来人们会在哪里的知识就是预测。然而，如果我们没有推断出人类活动的关系和动态，就无法做出预测。

本质上，推理和预测回答了不同的问题。预测可以是一个简单的猜测，或者更确切地说是基于一些证据、数据或特征的有根据的猜测。这个推论是关于理解你所能得到的事实。它是关于利用你所能得到的信息来理解世界上正在发生的事情。

总结
预测是解释将要发生的事情，而推理是关于已经发生的事情。

简言之，关键是给定一些随机变量（X1，X2…Xn）或特征，如果你对估计某物（Y）感兴趣，那么这就是预测。如果你想了解（Y）如何随着随机变量的变化而变化，那么这就是推理。

作者Alexandros Zenonos

deephub翻译组
————————————————
版权声明：本文为CSDN博主「deephub」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/deephub/article/details/108302562

标签：deephub,Inference,变量,下雨,Prediction,推断,推理,预测
来源： https://www.cnblogs.com/wxdlut/p/16592786.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。