机器学习
机器学习是计算机科学的一个分支，除了需要明确的编程外，还利用认知掌握的策略对其结构进行编程。换句话说，这些机器被正确地识别出来，随着经验的积累而发展得更好。
预测模型
预测模型是一种数学方法，利用统计数据和过去的趋势来预测未来。它的目标是在一个事件被触发后，根据所提供的统计资料来获得最终的结论。换句话说，它利用以前的特征并将其应用于未来。例如，如果一个购买者从一个电子商务网站购买了一部智能手机，他可能会立即对其附加组件着迷。几年后，他可能会成为智能手机电池的一个可行的客户。目前，他购买竞争对手的智能手机的口音的可能性显然是暗淡的。
机器学习和预测模型之间的区别 –
| 编号 | 机器学习 | 预测模型 |
|---|---|---|
| 1 | 为了解决复杂的问题，机器学习使用各种ML模型。 | 为了预测未来的结果，它使用过去的数据。 |
| 2 | 机器学习有自我调整的趋势，并从经验中学习。 | 预测模型没有适应数据的倾向。 |
| 3 | 机器学习不需要明确的编程。 | 为了处理数据，预测模型需要手动对系统进行编程。 |
| 4 | 为了处理一个特定的问题，机器学习的模型有足够的智能来适应和更新。 | 预测模型没有能够自己做出决定的智能模型。 |
| 5 | 机器学习是一个数据驱动的方法。 | 预测模型是一个用例驱动的方法。 |
| 6 | 机器学习不需要大量的历史数据来处理任务。 | 预测模型需要大量的历史数据来处理一个特定的任务，即预测未来的结果。 |
| 7 | 要解决一个问题，机器学习需要对问题的详细描述。 | 要解决一个问题，预测模型不需要对问题进行详细的描述。 |
| 8 | 机器学习使用各种模型、算法和学习方法来处理问题，如基于规则的机器学习、SVM、ANN等。 | 预测模型还使用不同的算法和学习方法来处理一个问题，如KNN、随机森林、神经网络等。 |
