它的主要任务与数值预测和分类预测相关。预测式可视分析被广泛地用于销量和股票预测、交通流量估计、公共卫生管理和人口密度预测分析等实际问题中。其主要技术综合了统计回归、机器学习、数据挖掘和可视分析等领域。

图中展示了预测式可视分析的框架，主要包含两部分：图中左边是以可视分析为中心的数据预处理、特征工程、建模和结果探索以及模型选择；右边展示了进一步的验证步骤。验证步骤包括对模型进行统计测试或可视分析测试。

预测式可视分析的框架

在数据预处理阶段，主要工作是对数据进行清洗、编码和转换，以更好地理解数据和为后续的分析步骤做准备。特征工程主要是选择和合成与预测任务相关的特征。在建模阶段，通常采用回归、分类和聚类技术对数据进行拟合。在模型建立之后是对结果进行探索以及比较不同模型在已知数据上的表现，以选择最优的模型。最终，模型的质量需要在未知数据上做出测试，很多指标可以作为评估的度量，例如最小均方误差和决定系数。在以上各个阶段，均可以同可视化进行耦合，允许用户同自动分析方法进行交互，以提高分析的有效性和效率。通常，预测式可视分析中的交互类型包括选择（select）、探索（explore）、重新配置（reconfigure）、编码（encode）、抽象（abstract）、过滤（filter）、连接（connect）和引导（shepherd）。

现有的可视分析工作在不同的应用背景下执行上述预测式可视分析框架的流程。Heimerl等人提出文档分类系统，实现了文档预处理、分类特征选择、基于可视分析的主动学习、结果分析与测试验证；iVis Classifer系统支持数据编码和其他的预处理步骤，以及利用线性区分性分析对降维后的数据和聚类进行可视化，但是没有执行模型验证的步骤；Scatter/Gather Clustering系统预定义了数据预处理和特征抽取步骤，并且通过用户输入预期的聚类数目来支持交互式聚类过程。

预测式可视分析在现实世界的应用和发展仍然面对一些挑战，如人类的同理心和社会知识往往会对股票市场、安全攻击、政治选举产生重大影响，如何对这些因素进行量化并让预测式可视分析模型融入这些因素，是提升预测可视分析有用性和鲁棒性的关键。