Statistisches LernenDas Erstellen probabilistischer statistischer Modelle auf der Grundlage von Daten und deren Verwendung zur Vorhersage und Analyse von Daten wird auch als statistisches maschinelles Lernen bezeichnet.

Die Prämisse des statistischen Lernens besteht darin, dass die Grundannahme der Daten darin besteht, dass die Daten vom gleichen Typ sind und bestimmte statistische Regelmäßigkeiten aufweisen. Basierend auf den Daten, ausgehend von den Daten, extrahieren Sie die Merkmale der Daten, abstrahieren Sie das Datenmodell, entdecken Sie die darin enthaltenen Gesetze, finden Sie Vorhersagefunktionen und lösen Sie das Problem. Sein Zweck besteht darin, zu überlegen, welche Art von Modell erlernt werden soll und wie das Modell erlernt werden soll.

Statistisches Lernen ist eine datengesteuerte Disziplin und ein interdisziplinäres Thema, das mehrere Bereiche wie Wahrscheinlichkeitstheorie, Statistik, Informationstheorie, Computertheorie, Optimierungstheorie und Informatik integriert.

Drei Elemente des statistischen Lernens

• Modell: Die Wahl zwischen generativem und diskriminativem Modell. Der Unterschied zwischen diesen beiden Modellen besteht darin, dass das Ziel unterschiedlich ist. Das generative Modell dient dazu, die gemeinsame Wahrscheinlichkeitsverteilung der Quelldaten zu finden, während das diskriminative Modell dazu dient, die bedingte Wahrscheinlichkeit oder Entscheidungsfunktion zu finden.
• Strategie: Wählen Sie eine geeignete Verlustfunktion oder Risikofunktion, d. h. wählen Sie eine Zielfunktion.
• Algorithmen: einschließlich Gradientenabstiegsmethode, Newton-Methode/Quasi-Newton-Methode, Lagrange-Methode und andere Optimierungsalgorithmen.