青柠檬檬哒|推理(Inference)与预测(Prediction)

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:
青柠檬檬哒|推理(Inference)与预测(Prediction)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 。
【青柠檬檬哒|推理(Inference)与预测(Prediction)】作者Alexandros Zenonos
deephub翻译组