上获得更多关于此问题的关注
我在一篇关于软件学习的IEEE事务中读到了这些行
"研究人员采用了无数不同的技术来构建软件故障预测模型。其中包括各种统计技术，如逻辑回归和朴素贝叶斯，它们明确地构建了潜在的概率模型。此外，不同的机器学习技术，如决策树、基于感知器概念的模型、支持向量机nd技术不显式地构建预测模型，而是着眼于一组最相似的已知的案例也已被调查。
任何人都能解释他们真正想要传达的东西吗。请举例说明。提前Thanx。
作者似乎区分了概率模型与非概率模型，即产生分布p(output | data)的模型与仅产生输出output = f(data)的模型。
不过，对非概率算法的描述对我来说有点奇怪。从模型和算法的角度来看，（线性）支持向量机、感知器和逻辑回归之间的差异并不是很大。暗示前者"看看一组最相似的已知案例"，而后者似乎并不奇怪。
作者似乎在区分计算每类概率的模型（从中可以导出分类规则，将输入分配给最可能的类，或者更复杂的是，将输入指定给错误分类成本最低的类）和直接将输入分配到类而不通过每类概率为中间结果。
分类任务可以看作是一个决策问题；在这种情况下，需要每类概率和错误分类成本矩阵。我认为这种方法在当前许多关于机器学习的文本中都有描述，例如Brian Ripley的"模式识别和神经网络"以及Hastie、Tibshirani和Friedman的"统计学习的要素"。
作为元评论，您可能会在stats.stackexchange.com.