分类任务可以进行简单的比较：

概率方法（例如随机森林）将为每个输入样本生成一组类别的概率分布。

确定性方法（例如 SVM）不对类的分布进行建模，而是分离特征空间并返回与样本来源空间相关联的类。

然而，每种概率方法都有可能简单地返回具有最高概率的类，因此看起来是确定性的。此外，反过来，基于到 SVM 中分离超平面的距离，可以计算并返回每个类的概率。

一般而言，概率方法更适合纳入关于答案的不确定性，并且可以提供有关预测安全程度的信息。此外，概率方法可能能够包含有关类分布的先验信息。

例子：

例如，如果您尝试根据身高预测性别，确定性方法将简单地选择一个分离点并说：

（完全编造的数字）

身高 >= 175 --> 男人

身高 < 175 --> 女人

因此，对于身高为 175 的样本，它会产生女性以及身高为 155 的样本。

在这种情况下，概率方法可以产生一个概率，例如高度为

155 ---> 男人（0.1），女人（0.9）和

175 --> 男人（0.49），女人（0.51）