統計學習方法?第一章 學習心得 以下可能有不當之處，請各位朋友停步指正，先謝過各位。 上一帖子說道，統計學習方法的三要素： 模型、策略、算法. 模型：模型的假設空間 策略：模型的選擇準則，即：定義最優模型的方法。 算法：模型學習的算法，也就是求解最優模型的算法。 ------------------------------------------------------------------- 通俗的講，應用統計學習方法有以下幾個步驟， 1.首先，要對已有數據進行分析，選擇合適的能夠對該數據集的規律進行描述的（帶未知參數的）方程 或者說 函數，此時是第一步，也是很重要的一步。--->也叫模型的假設空間 2.然后，由于在第一步中的函數（也叫模型的假設空間）還帶有未知參數，同時它的預測能力也未可知，因此我們需要一個自動評價其優劣性的方法，即：在什么情況下，我們認為其未知參數的選定是好的，什么情況下是壞的，這樣我們就有了一個評判標準，能夠想辦法使得結果越來越貼近真實。我們稱其為策略（模型選擇的準則）。 3.最后，有了模型（帶參數的函數、假設空間），有了評判標準，當然數據集一直在的，這樣我們就可以利用計算機驚人的、快速的、重復的、永不疲倦的計算能力找到模型的最優參數（是否最優，需要根據策略來評定）。 這樣，我們求解到了模型就可以對數據進行預測、分類了。 ,接著又衍生了另外一個問題，模型預測能力的評定，以及在數據集不夠的情況下如何最大效率的利用好有限的數據集？ 1.在上一步的模型求解過程當中，我們有損失函數來描述模型的策略，評判模型的好壞，此時如何對已經習得的模型預測能力進行評測呢 由于如果一味追求對訓練數據的預測能力，所選擇的模型的參數過多，復雜度比真實模型高，造成了一種特殊的現象，即： 模型對訓練數據的預測能力很好，但對未知數據的預測能力很差。 所以我們需要有一種方法來評定模型對未知數據的預測能力，而不能僅僅盯著模型確定時的預測能力。 用泛化能力來描述模型對于未知數據的預測能力。 2.高效利用數據集的方法 交叉驗證

轉載于:https://www.cnblogs.com/ToDoToTry/archive/2013/02/26/2934019.html

總結

以上是生活随笔為你收集整理的统计学习方法 第一章 学习心得的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。