สถิติและข้อมูลขนาดใหญ่

มีปรากฏการณ์มากกว่าที่การออกแบบการทดลองอาจนำไปใช้มากกว่าที่จะมีกลยุทธ์การออกแบบที่ถูกต้องทางเลือก สิ่งนี้ควรเป็นจริงแม้ว่าจะมีหลายวิธีในการออกแบบการทดสอบอย่างถูกต้อง อะไรคือ "ปัญหา" ที่ดีที่สุดที่แสดงให้เห็นถึงคุณค่าและความแตกต่างของการออกแบบการทดลองที่ดีที่สุด (A, D, E, C, V, phi, .... ) คุณสามารถจัดหาหนังสือลิงก์บทความข้อมูลอ้างอิงหรือความคิดเห็นเชิงประจักษ์ที่ขับเคลื่อนไปด้วยดีอย่างน้อยได้หรือไม่?

9 experiment-design  references  optimal 

ฉันเจอบทความนี้ที่มันบอกว่าในการสุ่มตัวอย่างกิ๊บส์ทุกตัวอย่างเป็นที่ยอมรับ ฉันสับสนเล็กน้อย ทำไมทุกตัวอย่างที่ยอมรับมันมาบรรจบกับการแจกแจงแบบคงที่ โดยทั่วไปอัลกอริทึม Metropolis เรายอมรับเป็น min (1, p (x *) / p (x)) โดยที่ x * เป็นจุดตัวอย่าง ฉันคิดว่า x * ชี้ให้เราไปยังตำแหน่งที่ความหนาแน่นสูงดังนั้นเราจึงย้ายไปยังการกระจายเป้าหมาย ดังนั้นฉันคิดว่ามันจะย้ายไปยังการกระจายเป้าหมายหลังจากการเผาไหม้ในช่วงเวลา อย่างไรก็ตามในการสุ่มตัวอย่างของกิ๊บส์เรายอมรับทุกอย่างแม้ว่ามันอาจจะพาเราไปที่อื่น สมมติว่าเรามีการกระจาย Z เราไม่สามารถคำนวณ Z. ในอัลกอริทึมมหานครเราใช้คำว่าเพื่อรวมการกระจายบวกกับค่าคงที่ normalizing Z ยกเลิก ดังนั้นมันก็โอเคp(θ)=c(θ)/Zp(θ)=c(θ)/Zp(\theta) = c(\theta)/Zค(θn E W) / c (θo l d)c(θnew)/c(θold)c(\theta^{new})/c(\theta^{old})c ( θ )c(θ)c(\theta) แต่ในการสุ่มตัวอย่างกิ๊บส์เราใช้การกระจายที่ไหนc ( θ )c(θ)c(\theta) สำหรับเช่นในกระดาษhttp://books.nips.cc/papers/files/nips25/NIPS2012_0921.pdfที่กำหนดของมัน …

9 mcmc  gibbs  metropolis-hastings 

ฉันกำลังคิดเกี่ยวกับปัญหาที่จะทำนายการใช้จ่ายของลูกค้าโดยใช้การถดถอยเชิงเส้น ฉันกำลังพิจารณาว่าฟีเจอร์ใดที่จะใช้เป็นอินพุตและสงสัยว่ามันจะโอเคที่จะใช้เปอร์เซ็นไทล์ของตัวแปรเป็นอินพุต ตัวอย่างเช่นฉันสามารถใช้รายได้ของ บริษัท เป็นอินพุท สิ่งที่ฉันสงสัยคือฉันสามารถใช้เปอร์เซ็นต์รายได้ของ บริษัท แทนได้หรือไม่ อีกตัวอย่างหนึ่งจะเป็นลักษณนามอุตสาหกรรมเด็ดขาด (NAICS) - ถ้าฉันดูค่าใช้จ่ายเฉลี่ยต่อรหัส NAICS แล้วกำหนดรหัส NAICS ให้กับ 'NAICS Percentile' ซึ่งเป็นตัวแปรอธิบายที่ถูกต้องที่ฉันสามารถใช้ได้หรือไม่ เพียงแค่สงสัยว่ามีปัญหาใด ๆ ที่ควรระวังเมื่อใช้เปอร์เซ็นไทล์หรือไม่ ในบางวิธีเทียบเท่ากับการปรับขนาดประเภทหรือไม่

9 regression  linear-model  quantiles  predictor 

ฉันใช้การถดถอยโลจิสติกรุ่นมาตรฐานเพื่อให้พอดีกับตัวแปรอินพุตของฉันกับตัวแปรเอาต์พุตไบนารี อย่างไรก็ตามในปัญหาของฉันผลลัพธ์ลบ (0s) มีจำนวนมากกว่าผลบวก (1s) อัตราส่วนคือ 20: 1 ดังนั้นเมื่อฉันฝึกตัวจําแนกเสียงดูเหมือนว่าแม้กระทั่งคุณสมบัติที่แนะนําอย่างยิ่งถึงความเป็นไปได้ของเอาต์พุตเชิงบวกที่ยังคงมีค่าที่ต่ำมาก (ค่าลบสูง) สำหรับพารามิเตอร์ที่สอดคล้องกัน สำหรับฉันดูเหมือนว่าสิ่งนี้เกิดขึ้นเพราะมีตัวอย่างเชิงลบจำนวนมากเกินไปที่ดึงพารามิเตอร์ในทิศทางของพวกเขา ดังนั้นฉันสงสัยว่าฉันสามารถเพิ่มน้ำหนัก (พูดโดยใช้ 20 แทน 1) สำหรับตัวอย่างที่เป็นบวก สิ่งนี้มีแนวโน้มที่จะได้รับประโยชน์หรือไม่? และถ้าเป็นเช่นนั้นฉันจะเพิ่มน้ำหนักได้อย่างไร (ในสมการด้านล่าง) ฟังก์ชั่นค่าใช้จ่ายมีลักษณะดังต่อไปนี้: J= ( - 1 / m ) ⋅Σi = 1ม.Y⋅ บันทึก( เอช( x ⋅ θ ) ) + ( 1 - Y) ( 1 - บันทึก( เอช( x …

9 regression  logistic  weighted-regression 

นี่อาจเป็นคำถามที่งี่เง่า แต่เมื่อสร้างแบบจำลองที่มีเครื่องหมายรูปหมวกและใช้บางอย่างเช่นLOOCVหรือ (ยิ่งไปกว่านั้น) LGOCVสิ่งที่เป็นประโยชน์ของการแยกข้อมูลออกเป็นชุดรถไฟและชุดทดสอบถ้านี่คือขั้นตอนการตรวจสอบความถูกต้อง ทำอย่างไร ผมอ่านบางส่วนของคำถามที่เกี่ยวข้องและพวกเขาชี้ให้เห็นว่าบางส่วนของวิธีการตรวจสอบข้าม (เช่นสิ่งที่อธิบายนี่ที่เว็บไซต์ของลูกศร ) เป็นเพื่อวัตถุประสงค์ในการเลือกคุณลักษณะ แต่ในกรณีของฉันฉันกำลังใช้randomForest( method = "rf") และkernlab( method = svmRadial) ซึ่งไม่ได้อยู่ในกลุ่มที่พยายามล้างคำทำนาย ดังนั้นคำถามของฉันคือถ้าฉันใช้สิ่งที่ชอบcross_val <- trainControl(method = "LGOCV", p = 0.8)ไม่เหมือนกับการฝึกอบรมที่ 80% ของข้อมูลของฉันทดสอบแบบจำลองผลลัพธ์ในส่วนที่เหลืออีก 20% และทำสิ่งนั้นซ้ำไปซ้ำมาเพื่อให้ได้แนวคิดว่า รูปแบบการทำงานหรือไม่ ถ้าเป็นเช่นนั้นมีความจำเป็นที่จะต้องแยกข้อมูลของฉันออกเป็นชุดรถไฟ / ชุดทดสอบหรือไม่? PS ฉันถามบางส่วนในขณะที่ฉันกำลังทำแบบจำลองเกี่ยวกับต้นแบบ DOE ที่สร้างขึ้นเชิงประจักษ์ (คิดว่าสินค้าหนักที่เราปรับแต่งอินพุตและจากนั้นใช้วิธีการทดสอบเพื่อวัดคุณลักษณะต่างๆเกี่ยวกับต้นแบบ) ดังนั้นฉันไม่ได้มีชุดข้อมูลขนาดใหญ่ที่มีระดับตัวทำนายที่ทับซ้อนกันจำนวนมากเพื่อเป็นแบบจำลอง - เรามักเรียกใช้การทดลองหนึ่งครั้งในแต่ละจุดที่น่าสนใจของ DOE เนื่องจากการสร้างข้อมูลมีราคาแพงในกรณีนี้ ดังนั้นฉันต้องการใช้ข้อมูลทั้งหมดที่ฉันสามารถทำได้สำหรับโมเดลที่ถูกต้อง แต่ต้องการตรวจสอบที่นี่ว่าฉันไม่ได้พลาดอะไรบางอย่างที่ชัดเจนและสร้างโมเดลที่ไม่ดีโดยไม่แยกสิ่งต่าง ๆ ออกมา แก้ไข:เพื่อตอบสนองต่อคำถามของ @ …

9 r  machine-learning  cross-validation  caret 

ฉันพยายามเข้าใจว่า LDA เหมาะสมกับเทคนิคการเรียนรู้แบบมีผู้สอนอื่น ๆ อย่างไร ฉันได้อ่านโพสต์ LDA-esque บางส่วนเกี่ยวกับ LDA ที่นี่แล้ว ฉันคุ้นเคยกับ perceptron แล้ว แต่เพิ่งเรียนรู้ LDA ในตอนนี้ LDA 'เหมาะสม' ในครอบครัวของอัลกอริทึมการเรียนรู้ภายใต้การดูแลอย่างไร สิ่งที่อาจเป็นข้อเสียของมันเทียบกับวิธีการอื่น ๆ เหล่านั้นและสิ่งที่มันอาจจะใช้ที่ดีกว่าสำหรับ? ทำไมต้องใช้ LDA เมื่อมีใครสามารถใช้พูด perceptron เป็นต้น

9 machine-learning  classification  discriminant-analysis  supervised-learning 

ฉันใช้การวิเคราะห์การถดถอยแบบลำดับชั้นและฉันมีข้อสงสัยเล็กน้อย: เราคำนวณคำที่ใช้โต้ตอบโดยใช้ตัวแปรกึ่งกลางหรือไม่? เราต้องจัดวางตัวแปรต่อเนื่องทั้งหมดที่เรามีในชุดข้อมูลยกเว้นตัวแปรตามหรือไม่ เมื่อเราต้องบันทึกตัวแปรบางตัว (เพราะ sd ของพวกเขานั้นสูงกว่าค่าเฉลี่ย) เราจะจัดวางตัวแปรที่เพิ่งถูกบันทึกหรือเป็นตัวแปรเริ่มต้นหรือไม่? ตัวอย่างเช่น: ตัวแปร "มูลค่าการซื้อขาย" ---> มูลค่าการซื้อขายที่ถูกบันทึกไว้ (เพราะ SD สูงเกินไปเมื่อเทียบกับค่าเฉลี่ย) ---> Centered_Turnover? หรือจะเป็นการหมุนเวียนโดยตรง -> Centered_Turnover (และเราทำงานกับอันนี้) ขอบคุณ !!

9 interaction  multicollinearity  centering 

สมมติว่าฉันใช้การถดถอยแบบเดียวกันสำหรับคนละ 100 คน สัมประสิทธิ์ความสนใจของฉันเป็นค่าบวก (และค่อนข้างแตกต่างจากกัน) แต่ไม่มีนัยสำคัญทางสถิติในผลลัพธ์ทั้งหมด 100 (สมมติว่า p-value = 0.11 ทุกค่า) มีวิธีรวมค่า p เหล่านี้เพื่อสรุป "อย่างน้อย 80 ของผลลัพธ์เหล่านี้เป็นค่าบวก" มีความสำคัญมากกว่า p = 0.11 หรือไม่ การค้นหาออนไลน์ของฉันแสดงให้ฉันเห็นเพียงวิธีการพูดว่า "อย่างน้อย 1 ผลลัพธ์เหล่านี้เป็นค่าบวก" ผ่านการทดสอบแบบฟิชเชอร์หรือที่คล้ายกัน แต่ฉันไม่สามารถสรุปผลลัพธ์นั้นได้ ฉันต้องการทดสอบ "H0 = เอฟเฟกต์ทั้งหมด 100 ค่าจะเหมือนกันที่ 0" กับ "HA = เอฟเฟกต์อย่างน้อย 80 ค่าเป็นบวก" เป้าหมายของฉันคือไม่ได้บอกว่ามีค่าสัมประสิทธิ์เป็นบวกโดยเฉลี่ยและไม่วัดค่าสัมประสิทธิ์โดยเฉพาะ เป้าหมายของฉันคือการแสดงให้เห็นอย่างมีนัยสำคัญว่าอย่างน้อย 80 คนต้องเผชิญกับผลกระทบเชิงบวกบางอย่างโดยไม่คำนึงถึงสิ่งที่ 80 และโดยไม่คำนึงถึงขนาดของผลกระทบความรู้สึกของแต่ละบุคคล

9 hypothesis-testing  multiple-comparisons 

ฉันกำลังทำการวิเคราะห์เมตาดาต้าของขนาดผลกระทบdใน R โดยใช้แพ็คเกจ metafor dแสดงถึงความแตกต่างของคะแนนความจำระหว่างผู้ป่วยและสุขภาพ อย่างไรก็ตามการศึกษาบางชิ้นรายงานเฉพาะคะแนนย่อยของการวัดความสนใจd (เช่นคะแนนหน่วยความจำที่แตกต่างกันหรือคะแนนจากการทดสอบหน่วยความจำสามบล็อกแยกกัน) โปรดดูชุดข้อมูลจำลองต่อไปนี้พร้อมdแสดงขนาดผลกระทบของการศึกษารวมถึงส่วนเบี่ยงเบนมาตรฐาน SD: d <- round(rnorm(5,5,1),2) sd <- round(rnorm(5,1,0.1),2) study <- c(1,2,3,3,3) subscore <- c(1,1,1,2,3) my_data <- as.data.frame(cbind(study, subscore, d, sd)) library(metafor) m1 <- rma(d,sd, data=my_data) summary(m1) ฉันต้องการถามความคิดเห็นของคุณสำหรับวิธีที่ดีที่สุดในการจัดการคะแนนย่อยเหล่านี้ - เช่น: เลือกคะแนนย่อยหนึ่งคะแนนจากการศึกษาแต่ละครั้งที่รายงานคะแนนมากกว่าหนึ่งคะแนน รวมคะแนนย่อยทั้งหมด (ซึ่งจะเป็นการละเมิดสมมติฐานความเป็นอิสระของโมเดล rfx เนื่องจากคะแนนย่อยของการศึกษาหนึ่งมาจากตัวอย่างเดียวกัน) สำหรับการศึกษาแต่ละครั้งที่รายงานคะแนนย่อย: คำนวณคะแนนเฉลี่ยและค่าเบี่ยงเบนมาตรฐานโดยรวมและรวมถึง "ขนาดเอฟเฟ็กต์การรวม" ในการวิเคราะห์ meta ของ rfx รวมคะแนนย่อยทั้งหมดและเพิ่มตัวแปรดัมมี่ที่ระบุว่าได้รับคะแนนใดจากการศึกษา

9 r  meta-analysis  effect-size  meta-regression 

ฉันกำลังศึกษาวิธีการประมาณค่าแบบจุดต่าง ๆ และอ่านว่าเมื่อใช้การประมาณค่า MAP กับ ML เมื่อเราใช้ "ชุดรูปแบบก่อนหน้า" ค่าประมาณจะเท่ากัน ใครสามารถอธิบายสิ่งที่ "เหมือนกัน" ก่อนหน้านี้และให้ตัวอย่าง (ง่าย) บางอย่างของเมื่อ MAP และ ML ประมาณจะเหมือนกัน?

9 machine-learning  probability  bayesian  estimation  maximum-likelihood 

ฉันพยายามเข้าใจแนวคิดพื้นฐานของการเบี่ยงเบนมาตรฐาน จากสูตร σ=Σi = 1n(xผม- μ)2ยังไม่มีข้อความ----------⎷σ=∑i=1n(xi−μ)2N\sigma= \sqrt{ \dfrac{ \sum\limits_{i=1}^n (x_i-\mu)^2} N } ฉันไม่เข้าใจว่าทำไมเราควรลดจำนวนประชากร "N" ลงครึ่งหนึ่งนั่นคือสาเหตุที่เราต้องการที่จะ ยังไม่มีข้อความ--√N\sqrt{N} เมื่อเราไม่ได้ทำ ยังไม่มีข้อความ2N2{N^2}? นั่นไม่บิดเบือนประชากรที่เรากำลังพิจารณาใช่หรือไม่ ไม่ควรเป็นสูตร σ=Σi = 1n(xผม- μ)2---------√ยังไม่มีข้อความσ=∑i=1n(xi−μ)2N\sigma= \dfrac{ \sqrt{ \sum\limits_{i=1}^n (x_i-\mu)^2} } {N}

9 standard-deviation 

ฉันกำลังพยายามที่จะได้รับปรีชาสำหรับการถดถอยแบบเกาส์กระบวนการดังนั้นฉันจึงสร้างปัญหาของเล่น 1D แบบง่ายๆเพื่อทดลองใช้ ฉันใช้เป็นอินพุตและเป็นคำตอบ ('ได้แรงบันดาลใจ' จากy = x ^ 2 )xผม= { 1 , 2 , 3 }xi={1,2,3}x_i=\{1,2,3\}Yผม= { 1 , 4 , 9 }yi={1,4,9}y_i=\{1,4,9\}Y=x2y=x2y=x^2 สำหรับการถดถอยฉันใช้ฟังก์ชันเคอร์เนลเอ็กซ์โพเนนเชียลกำลังสองมาตรฐาน: เค(xพี,xQ) =σ2ฉประสบการณ์( -12ล.2|xพี-xQ|2)k(xp,xq)=σf2exp⁡(−12l2|xp−xq|2)k(x_p,x_q)=\sigma_f^2 \exp \left( - \frac{1}{2l^2} \left|x_p-x_q\right|^2 \right) ฉันสันนิษฐานว่ามีเสียงรบกวนพร้อมค่าเบี่ยงเบนมาตรฐานσnσn\sigma_nดังนั้นเมทริกซ์ความแปรปรวนร่วมจึงกลายเป็น: Kหน้าq= k (xพี,xQ) +σ2nδหน้าqKpq=k(xp,xq)+σn2δpqK_{pq} = k(x_p,x_q) + \sigma_n^2 \delta_{pq} hyperparameters (σn, l ,σฉ)(σn,l,σf)(\sigma_n,l,\sigma_f)อยู่ที่ประมาณโดยการเพิ่มโอกาสในการเข้าสู่ระบบของข้อมูล เพื่อให้การคาดการณ์ที่จุดx⋆x⋆x_\starฉันพบค่าเฉลี่ยและความแปรปรวนตามลำดับโดยต่อไปนี้ …

9 regression  gaussian-process 

ฉันมีปัญหาในการทำความเข้าใจคำอธิบายการถดถอยโลจิสติกหนึ่งคำ การถดถอยโลจิสติกอยู่ระหว่างอุณหภูมิและปลาที่ตายหรือไม่ตาย ความชันของการถดถอยโลจิสติกคือ 1.76 จากนั้นโอกาสที่ปลาตายจะเพิ่มขึ้นตามค่า exp (1.76) = 5.8 กล่าวอีกนัยหนึ่งโอกาสที่ปลาตายจะเพิ่มขึ้น 5.8 เท่าสำหรับการเปลี่ยนแปลงอุณหภูมิ 1 องศาเซลเซียสในแต่ละครั้ง เนื่องจากปลาตาย 50% ในปี 2555 การเพิ่มอุณหภูมิ 1 องศาเซลเซียสในปี 2555 จะทำให้ปลาตายเป็น 82% การเพิ่มขึ้นของอุณหภูมิ 2 องศาเซลเซียสในปี 2555 จะทำให้ปลาตายเป็น 97% เพิ่มขึ้น 3 องศาเซลเซียส -> ปลาตาย 100% เราจะคำนวณ 1, 2 และ 3 ได้อย่างไร (82%, 97% และ 100%)

9 logistic  odds-ratio  odds 

ประชากร r-squareสามารถกำหนดสมมติว่าเป็นคะแนนคงที่หรือคะแนนสุ่ม:ρ2ρ2\rho^2 คะแนนคงที่: ขนาดตัวอย่างและค่าเฉพาะของตัวทำนายจะได้รับการแก้ไข ดังนั้นคือสัดส่วนของความแปรปรวนที่อธิบายในผลลัพธ์โดยสมการการถดถอยของประชากรเมื่อค่าของตัวทำนายคงที่ρ2ฉρฉ2\rho^2_f คะแนนสุ่ม: ค่าเฉพาะของผู้ทำนายนั้นมาจากการแจกแจง ดังนั้นหมายถึงสัดส่วนของความแปรปรวนที่อธิบายในผลลัพธ์ในประชากรที่ค่าของตัวทำนายนั้นสอดคล้องกับการกระจายตัวของประชากรของตัวทำนายρ2RρR2\rho^2_r ผมเคยถามไว้ก่อนหน้านี้เกี่ยวกับการไม่ว่าจะเป็นความแตกต่างนี้ทำให้แตกต่างกันมากการประมาณการของρ2ρ2\rho^2 2 ฉันยังเคยถามทั่วไปเกี่ยวกับวิธีการคำนวณประมาณการเป็นกลางของ ρ2ρ2\rho^2 2 ฉันเห็นได้ว่าเมื่อขนาดตัวอย่างเพิ่มความแตกต่างระหว่างคะแนนคงที่และคะแนนสุ่มก็สำคัญน้อยลง แต่ฉันพยายามที่จะยืนยันว่าการปรับถูกออกแบบมาเพื่อประเมินคะแนนคงที่หรือคะแนนสุ่ม 2R2R2R^2ρ2ρ2\rho^2 คำถาม มีการปรับ เพื่อประเมินคะแนนคงที่หรือคะแนนสุ่มหรือไม่R2R2R^2ρ2ρ2\rho^2 มีคำอธิบายหลักการว่าสูตรสำหรับการปรับ r-square นั้นเกี่ยวข้องกับรูปแบบใดรูปแบบหนึ่งหรือไม่?ρ2ρ2\rho^2 เบื้องหลังความสับสนของฉัน เมื่อฉันอ่าน Yin และ Fan (2001, p.206) พวกเขาเขียน: หนึ่งในข้อสมมติฐานพื้นฐานของตัวแบบการถดถอยพหุคูณก็คือค่าของตัวแปรอิสระเป็นค่าคงที่ที่รู้จักกันและได้รับการแก้ไขโดยนักวิจัยก่อนการทดลอง เฉพาะตัวแปรที่ขึ้นต่อกันเท่านั้นที่มีอิสระในการเปลี่ยนแปลงจากกลุ่มตัวอย่างเป็นกลุ่มตัวอย่าง ตัวแบบการถดถอยที่เรียกว่ารูปแบบการถดถอยเชิงเส้นคงที่ อย่างไรก็ตามในสังคมศาสตร์และพฤติกรรมศาสตร์ค่าของตัวแปรอิสระไม่ค่อยได้รับการแก้ไขโดยนักวิจัยและยังมีข้อผิดพลาดแบบสุ่ม ดังนั้นรูปแบบการถดถอยครั้งที่สองสำหรับแอปพลิเคชันได้รับการแนะนำซึ่งทั้งสองตัวแปรขึ้นอยู่กับและเป็นอิสระได้รับอนุญาตให้แตกต่างกัน (Binder, 1959; Park & ​​Dudycha, 1974) โมเดลนั้นเรียกว่าโมเดลแบบสุ่ม (หรือโมเดลการแก้ไข) แม้ว่าการประมาณค่าความน่าจะเป็นสูงสุดของสัมประสิทธิ์การถดถอยที่ได้จากแบบจำลองแบบสุ่มและแบบคงที่จะเหมือนกันภายใต้สมมติฐานเชิงบรรทัดฐานการแจกแจงของพวกมันนั้นแตกต่างกันมาก แบบจำลองแบบสุ่มนั้นซับซ้อนมากซึ่งจำเป็นต้องทำการวิจัยเพิ่มเติมก่อนจึงจะสามารถใช้แทนแบบจำลองการถดถอยเชิงเส้นคงที่ที่ใช้กันทั่วไป ดังนั้นรูปแบบคงที่จึงมักจะใช้ แม้ในกรณีที่สมมติฐานไม่สมบูรณ์ (Claudy, 1978) แอ็พพลิเคชันของโมเดลการถดถอยแบบคงที่ที่มีการละเมิดสมมติฐานจะทำให้ …

9 regression  estimation  r-squared 

ความสัมพันธ์คืออะไรและแตกต่างระหว่างทฤษฎีการเรียนรู้ทางสถิติและทฤษฎีการเรียนรู้คอมพิวเตอร์ ? พวกเขาเกี่ยวกับหัวข้อเดียวกันหรือไม่ แก้ไขปัญหาเดียวกันและใช้วิธีการเดียวกันได้หรือไม่ ตัวอย่างเช่นอดีตบอกว่ามันเป็นทฤษฎีของการทำนาย (การถดถอยการจัดหมวดหมู่, ... )

9 machine-learning  statistical-learning  artificial-intelligence