问每个人都知道数据驱动建模，但什么是模型驱动(或非数据驱动)建模？

EN

如果模型不是从数据中派生出来的，那么它必须手动构建，因此非数据驱动意味着基于规则。

这是人工智能在80年代机器学习之前的大趋势，这些预ML自动预测系统被称为专家系统，在当时的工业中相当成功(以下是一些应用实例)。

构建回归任务系统的方法本质上是:手动进行整个回归分析，在预测系统中查找参数并对其进行硬编码。

据我所知，机器学习已经使这种基于规则的系统变得过时了，因为它们完全缺乏灵活性，而且构建一个系统的人工成本很高。

数据驱动的方法依赖于经验观察，并产生在观察到的输入和观察到的输出之间映射的模型。非数据驱动的模型可以根据领域知识或基本原则建立，而不需要大量的实验数据，但通常受到您对系统规则的理解的限制。

举个例子，假设一个人想要建立一个绕太阳运行的地球轨道模型。随着时间的推移，测量地球的位置是可能的，并建立一个数据驱动的模型来解释你的观测结果。或者，可以利用宇宙物理定律(引力和牛顿定律)的知识，建立一个纯理论的地球轨道模型，而不依赖于收集大量数据。

一些复杂的系统，如天气或分子间力，很难以足够的分辨率观察到，足以建立一个精确的数据驱动模型。在这些类型的场景中，我们没有构建一个好的数据驱动模型所需的数据，仍然有可能构建一个物理模型来进行预测。例如，远距离天气预报传统上是由大气物理模型生成的，尽管数据驱动模型直接被训练来解释观测数据变得越来越普遍。