将人们可以提出的关于数据的一组问题想象成一个单纯形上的问题，其中顶点代表关于数据的确认性问题、探索性问题和预测性问题。这是我从主管教授的课程中获得的视觉帮助。其中包括一些问题，这些问题可能会被问到关于在给定日期的给定时间有多少人在我们大学的体育馆里的数据。

考虑统计与 ML 的一种方法是将单纯形划分为

我认为这是思考统计学和 ML 之间差异的好方法。至于统计学习，我会把它放在紫色区域的某个地方；似乎受传统统计工具推动的预测或数据挖掘方法。该定义是高度可变的，并且取决于您询问的对象。因此，这种区别几乎没有实际意义。

这张图能看清吗？

来源：https ://www.datasciencecentral.com/profiles/blogs/machine-learning-vs-statistics-in-one-picture

统计学是一门研究数据的收集、分析、解释和呈现的数学科学。

统计/机器学习是应用统计方法（主要是 回归）来对看不见的数据进行预测。统计学习和机器学习大体上是一回事。它们之间的主要区别在于文化。

我没有研究过这个，但据我所知，统计学习和机器学习是一回事。

人们可以在统计学习和推理统计中进行推理和预测，但统计学习的目标往往是预测而不是推理，而推理统计则相反。

据我了解，统计学习和推理统计之间的主要区别在于方法。在统计学习中，数据被分为训练集和测试集，模型从训练集中学习如何最大限度地提高测试集的预测准确性。这可能涉及交叉验证等。在推理统计中，没有任何形式的数据拆分和模型训练。