机器学习与统计建模有何不同

在不依赖于基于规则的编程的情况下，对将数据转换为智能动作的计算机算法开发感兴趣的研究领域称为机器学习。

统计建模

通常将统计模型指定为一个或多个随机变量与其他非随机变量之间的数学关系。 因此，统计模型是"理论的形式表示"。

现在，无聊的冗长的定义已不复存在，让我们更深入地了解这两个域之间的区别。

机器学习与统计建模之间的差异

1.历史和学术相关性

在1950年代左右，机器学习开始出现之前，统计建模就已经出现了。1950年代，第一个机器学习程序—塞缪尔(Samuel)的检查程序引入了。

世界各地的所有大学现在都在启动其机器学习和AI计划，但并没有关闭其统计部门。

机器学习与计算机科学系和独立的AI系协同教学，它们处理构建预测算法，这些算法能够通过学习从数据中"学习"而无需任何预先指定的规则，从而能够自行"智能化"。 上面ML的定义。

鉴于

统计建模与数学系共同教授，其重点是建立模型，该模型可以首先找到不同变量之间的关系，然后可以预测可以描述为其他自变量的函数的事件。

2.不确定度容限

这是两个域之间重要的区别点。

在统计建模中，我们要注意许多不确定性估计(例如置信区间，假设检验)，并且必须考虑到所有假设都必须满足，才能信任特定算法的结果。 因此，它们具有较低的不确定性容限。

例如：如果我们建立了线性回归模型，则在使用该模型的结果之前，必须检查是否满足以下假设：

（编辑：长春站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!