所有模型都是錯的
「所有模型都是錯的」（）是統計學中常見的格言，常引申為「所有模型都是錯的，但有些是有用的」。它承認統計模型永遠無法完全涵蓋現實的複雜性，但仍能發揮實用價值。這句格言通常被認為出自英國統計學家喬治·E·P·博克斯，但其核心概念早於博克斯的著作便已存在。 歷史 ]] 「所有模型都是錯的」這句話被認為出自喬治·博克斯。彼得·麥卡勒（Peter McCullagh）與約翰·內爾德（John Nelder）在1983年關於廣義線性模型的著作中指出…
标签：#统计模型
共 6 篇文章
中介變項
在统计學中，一个中介模型的作用是确定並解释在獨立變項與因變項之間的第三個假設變數（即中介變項）。在原本独立变項和因變變項直接的因果关系之间之外，中介模型嘗試顯示独立变項亦能影響中介變項，再藉由中介變項影響控制變項。因此，中介变數用來闡明獨立變項與因變變項的關係。 引用來源 在2014年6月14日，这篇文章是衍生自全部或部分[http://www.mii.ucla.edu/causality/?p=713 Causal Analysis …
基于流的生成模型
基于流的生成模型（）是机器学习中的一类生成模型，利用归一化流（）显式建模概率分布。这是一种使用概率密度变量变换法将简单分布转换为复杂分布的统计方法。 直接建模似然函数具有很多优点。例如，可以直接计算得到负对数似然并将其作为损失函数最小化。此外，通过从初始分布中采样并应用流变换可以生成新的样本。 相比之下，变分自编码器、生成对抗网络等其他生成模型无法显式地表示似然函数。 方法 考虑随机变量z_1和z_0，其中z_0 = f^{-1}_1(…
生成模型
在概率统计理论中，生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯定理形成。 香农（1948）给出了有一个英语双词频率表生成句子的例子。可以生成如“representing and speedily is…
判别模型
在机器学习领域判别模型是一种对未知数据 y 与已知数据 x 之间关系进行建模的方法。判别模型是一种基于概率理论的方法。已知输入变量 x ，判别模型通过构建条件概率分布 P(y|x) 预测 y 。 与生成模型不同，判别模型不考虑 x 与 y 间的联合分布。对于诸如分类和回归问题，由于不考虑联合概率分布，采用判别模型可以取得更好的效果。而生成模型在刻画复杂学习任务中的依赖关系方面则较判别模型更加灵活。大部分判别模型本身是监督学习模型，不易扩…
邻里成分分析
邻里成分分析（）是一种监督式学习的方法，根据一种给定的距离度量算法对样本数据进行度量，然后对多元变量数据进行分类。在功能上其和k近邻算法的目的相同，直接利用随即近邻的概念确定与测试样本临近的有标签的训练样本。 定义 邻里成分分析是一种距离度量学习方法，其目的在于通过在训练集上学习得到一个线性空间转移矩阵，在新的转换空间中最大化平均留一（LOO）分类效果。该算法的关键是与空间转换矩阵相关的的一个正定矩阵A，该矩阵A可以通过定义A的一个可微…