En ambos casos, tiene algunas variables de entrada y luego tiene la respuesta en el otro lado.
Inferencia: en caso de inferencia, desea conocer la operación de la caja negra, la operación que le indica cómo se asocia la respuesta con las variables de entrada. El modelado generativo se utiliza para descubrir la inferencia, que es un modelo estocástico que describe completamente las partes internas de la caja negra utilizando la distribución de probabilidad conjunta. Ejemplo: análisis discriminatorio lineal
Predicción: en caso de predicción, solo nos interesa saber cuál es la predicción, cuál es la respuesta. No queremos saber cómo o qué se realiza la operación para llegar al resultado. La mayoría de los algoritmos de aprendizaje automático pertenecen a esta categoría. Aquí se usa el modelo discriminatorio / predictivo usando probabilidad condicional, que es un modelo que nos da la probabilidad y, dadas las características x. Ejemplo: regresión logística
- ¿Qué tan importante fue el Premio Netflix para el área de Sistemas de recomendación?
- ¿Qué modelos CNN necesitan una norma de lote pero son lo suficientemente pequeños como para hacer una prueba muy rápida?
- ¿Cómo puedo encontrar un grupo de estudio para el aprendizaje automático en Hong Kong?
- ¿Se podría denominar al PageRank como un algoritmo de aprendizaje automático?
- ¿Qué piensa sobre los procesos gaussianos profundos?
Aunque calcular la inferencia es la mejor manera de analizar los datos, es menos robusto. En caso de inferencia, porque estamos describiendo y analizando el modelo con tanto detalle, la penalización es muy alta, si el modelo está equivocado. Por otro lado, en caso de predicción, incluso si no comprende las características perfectamente, su modo aún funciona.