那么，预测技术发展到如今，何以称得上智能呢

智能

那么，预测技术发展到如今，何以称得上智能呢？

回过头来看，应该归功于更好的数据、模型和计算能力，它们促使预测技术飞速发展，从而走上“智能”之路。机器学习便是功臣之一。

历史上，预测的主流分析方法是使用数据挖掘的一系列技术，而这其中被经常使用的是一种被称为“回归”的统计技术。

回归做的是什么？

它主要是根据过去发生时间的“平均值”来寻找一种预测。

当然，回归也有很多种实现方式，有简单的线性回归，多项式回归，也有多因素的Logistic回归，本质上都是一种曲线的拟合，是不同模型的“条件均值”预测。

在机器学习之前，多元回归分析提供了一种处理多样条件的有效方法，可以尝试找到一个预测数据失误最小化，“拟合优度”最大化的结果。但是，回归分析中，对于历史数据的无偏差预测的渴求，并不能保证未来预测数据的准确度，这就是所谓的“过度拟合”。

与回归分析不同，机器学习的预测不追求平均值的准确性，允许偏差，但求减少方差。

过去，由于数据和计算能力的匮乏，机器学习的表现不如回归分析来得好。但如今，一切都不一样了，随着数据体量的不断增长，计算能力的不断提升，使用机器学习和（神经网络）深度学习来做预测效果比其他所有方法表现得都要更好。这使得我们利用统计学进行预测的方法发生了彻底的转变。把人工智能与机器学习的最新发展作为传统统计学的延伸与加强这是非常诱人的想法！

那么，如果仅仅是预测，为什么能称得上“智能”呢？

这是因为，某些情况下，我们预测的效果已经好到我们可以直接用来做决策，而无需再应用基于规则的逻辑。这其实也在改变着计算机编程的方式。

想象一下，原先复杂的业务场景下，基于“if…then…”以及传统的统计学方法来实现的代码逻辑，总是无法覆盖所有的条件组合。

而近年来，支撑预测方法进步的一种黑科技叫做“深度学习”，它与人类大脑有着类似的工作方式，利用“反向传播”的方法从数据中不断训练、反馈、学习，获取“知识”。

就预测而言，随着不断的训练、自我学习，预测模型会得到不断优化，预测准确性也在随着学习而改进，而越来越高的预测准确性为商业决策提供了可信赖的基础。

预测支持决策