Machine learning 推理分析和预测分析的区别是什么？ 客观的

我可以说分析是推理性的或预测性的

背景 参加一门涉及推理和预测分析的数据科学课程。解释（我所理解的）是

• 推理的
  从一个群体中的小样本中引入一个假设，并在更大/整个群体中看到它是正确的
  在我看来，这是一种概括。我认为诱导吸烟导致肺癌或二氧化碳导致全球变暖是推断分析

• 预测的
  通过测量一个对象的变量来说明可能发生的情况
  我认为，确定人们对哪些特质、行为、言论表示赞同，并使总统候选人受欢迎到足以成为总统，这是一种预测性分析（课程中也涉及到了这一点）

问题: 我对这两者有点困惑，因为在我看来，这是一个灰色区域或重叠

是“推断”，但我认为它用于预测，如垃圾邮件过滤器或欺诈性金融交易识别。例如，银行可以使用之前对变量（如IP地址、发起人国家、受益人账户类型等）的观察结果，预测交易是否具有欺诈性

我想这是一个推理分析，从观察和思维实验中归纳出一个理论/假设，但它也预测光的方向会弯曲

---

请帮助我了解将分析归类为推断分析或预测分析必须具备哪些属性。

两者之间存在一些灰色区域，但我们仍然可以进行区分

推断统计是指当你试图理解是什么导致了某种结果。在这些分析中，我们特别关注自变量，并希望确保有一个可解释的模型。例如，你在研究吸烟是否会导致肺癌方面的例子是推论性的。在这里，你试图仔细研究导致肺癌的因素，而吸烟恰好是其中之一

在预测分析中，您更感兴趣的是使用特定数据集来帮助您预测结果变量值的未来变化。在这里，您可以使您的模型尽可能复杂，只要它完成了工作，就无法解释。一个更简单的例子是一家房地产投资公司，它有兴趣确定哪种变量组合可以预测某一房地产的最优惠价格，从而可以通过收购来获利。潜在的预测因素可能是邻居的收入、犯罪、教育程度、到海滩的距离和种族构成。这里的主要目的是获得这些变量的最佳组合，从而更好地预测未来房价

这就是它变得模糊的地方。假设你对中年男性进行了一项研究，以确定患心脏病的风险。要做到这一点，你需要测量体重、身高、种族、收入、婚姻状况、胆固醇、教育程度以及一种潜在的血清化学物质“mx34”（仅此而已）。比如说，你发现这种化学物质确实是心脏病的一个很好的危险因素。你现在已经达到了推理的目的。然而，你对你的新发现感到满意，你开始怀疑是否可以利用这些变量来预测谁有可能患心脏病。您希望这样做，以便能够推荐预防措施，以预防未来的心脏病。

对典型数据科学工作流程中的各种分析类型进行了详细描述。具体回答您的问题：

推理数据分析量化了观察到的模式 可能会超出手头的数据集。这是最常见的 正式科学文献中的统计分析。一个例子 这是一项关于空气污染是否与老年人预期寿命相关的研究 美国的州一级（9）。非随机化 在实验中，通常只能确定 两个测量值之间的关系，但不是基本测量值 机制或原因

超越了推理数据分析，它量化了 在人口规模上，预测数据分析使用 用于预测另一个测量的测量子集（特征） （结果）一个人或一个单位。像这样的网站 FiveThirtyEight.com使用民意调查数据预测人们将如何投票 在选举中。预测数据分析仅表明您可以 从一个测量值预测另一个测量值；他们不一定解释 为什么这种预测的选择是有效的

---

我读到的促使我提出这个问题的同一篇学术论文也给出了答案（加州大学伯克利分校统计学家利奥·布雷曼（Leo Breiman）：

•预测。能够预测反应会是什么 未来的输入变量

•[推断].23[推断]大自然是如何将反应联系起来的 将变量转换为输入变量

---

来源：

谢谢你的回答。我认为推理分析是从一小部分人群中得出的结果或发现（对患者进行抽样，以找出中暑的危险因素）。然后看看是否适用于更大的人群来判断他们中的哪些人可能患有心脏病，这在我看来与预测分析是一样的。因此，推理分析包括预测分析（预测是推理的一部分/子集）？或者……只要我试图根据观察结果告诉可能发生的事情，它就被称为预测，而推理分析本质上是预测性的，因为它尝试了假设（对将发生的事情的预期）关于更大的人口？我会同意你的第一个评论。推论总是关于我们试图从一口井c中理解/推断的人口