我过去常常在对机器学习感兴趣的程序员的世界中发现这种差异。这种差异不会出现在统计学家和研究人员的世界中。

这个想法是分类器是由学习者构建的程序。一种启发性的直觉来自机器学习的众多定义之一，即使用数据进行编程。因此，您有数据（训练集），并使用计算机程序从该数据中构建另一个程序（例如决策树）。从数据构建决策树的程序是学习器。决策树是一个分类器，因为分类器是一个能够预测的程序，它只接受输入数据，并为每个实例生成输出数据。

理解这一点的另一种方法是学习器接受输入并生成分类器。分类器将作为输入并产生。$x_1,x_2,..,x_p,y$$x'_1,x'_2,..,x'_p$$y'$

正如我所说，在研究论文中很难找到这种区别。似乎研究人员只对如何描述模型感兴趣。当他们开始描述如何构建该模型时，他们会谈论学习器，当他们谈论如何使用该模型进行预测时，他们会谈论分类器。因此，第三种选择是功能性的。拟合模型的功能是学习器的功能，而预测值的功能是分类器的功能。

请注意，回归器与分类器相同，只是输出的性质不同。

我知道这是一篇旧帖子，但我对 OP 有同样的问题。感谢/基于@rapio 的描述，这就是我要说同样的话的方式：

学习器和分类器都指的是同一个东西：机器学习模型。只是 ML 模型在训练阶段有一些方面，当模型用于推理时，这些方面会被隐藏和删除。

例如，在训练阶段，我们有一个优化器来指导反向传播算法如何更新模型权重。或者学习率。一旦模型完成训练，模型的这些部分就会被剥离。换句话说，你在推理时所拥有的模型与你训练它时的概念并不完全相同。这就是为什么在一些文献中，它们被称为不同的名称。

基本上，当您说“学习者”时，您是在强调仅存在于训练阶段的模型方面。就个人而言，我希望人们不要再吹毛求疵，而只是将其称为模型。在我看来，这种差异化程度对任何人都没有帮助。