我已经在IEEE软件学习交易中读过这些内容
＆＃34;研究人员采用了大量不同的技术来构建软件故障预测模型。这些包括各种统计技术，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，以及不明确构建预测模型但是看一组最相似的技术 已知病例也已被调查过。
任何人都可以解释他们真正想传达的内容。 请举例。 提前完成。
答案 0 :(得分：1)
作者似乎区分概率模型和非概率模型，即产生分布p(output | data)的模型与仅产生输出output = f(data)的模型。
尽管如此，非概率算法的描述对我来说有点奇怪。从模型和算法角度来看（线性）支持向量机，感知器和逻辑回归之间的差异并不是非常大。暗示前者＆＃34;看一组最相似的已知案例＆＃34;而后者似乎并不奇怪。
答案 1 :(得分：0)
作者似乎区分了计算每类概率的模型（从中可以推导出分类规则以将输入分配给最可能的类，或者更复杂的是，将类别的输入分配给具有最少概率的类错误分类成本）和那些直接将输入分配给类而不通过每类概率作为中间结果的那些。
分类任务可以被视为决策问题;在这种情况下，需要每类概率和错误分类成本矩阵。我认为这种方法在许多关于机器学习的当前文本中有所描述，例如Brian Ripley＆＃34;模式识别和神经网络＆＃34;和Hastie，Tibshirani和Friedman，＆＃34;统计学习的元素＆＃34;。
作为一个元评论，您可以在stats.stackexchange.com上获得更多关于此问题的关注。