干货SASCTO告诉你统计建模机器

关于统计建模、机器学习与人工智能之间的关系和区别，近来无论是在国内外像知乎一类的知识网站上，还是在业内业外爱好者的线下活动组织间，都引发了激烈讨论。今天，SAS首席技术官OliverSchabenberger先生为我们带来了他的见解，希望能对各位小伙伴们有一些启发。

1统计建模

统计建模最基本的目标是回答一个问题：哪一种概率模型可以产生我所观察到的数据？因此你必须：

·从一个合理的模型群里挑出候选模型

·预估未知变量(参数，又叫做根据数据拟合模型。)

·比较拟合模型与其他备选模型

举个例子，如果你的数据需要计数，例如流失客户数或者细胞分裂数，那么泊松模型(Poisson)、负二项模型或者零膨胀模型(zero-inflatedmodel)都可能适用。

一旦某统计模型被选定，那预估模型将用于假设检验、创建预测值以及置信度测量。预估模型将成为我们解析数据的透镜。我们从未宣称选定模型就能产生数据，但是我们能观察它基于某验证推理在随机过程所获取的合理近似值。

验证推理是统计建模的一个重要部分。举例而言，要决策到底是三种医疗设备中的哪一种可以让病患获得最好的治疗，你也许会感兴趣使用一个模型，该模型能捕获某种数据机制来判断该病患在接受不同治疗所获得的不同结果。如果某个模型可以很好地捕获数据产生机制，那么其也可以在那些被观察数据区间内做出很好的预测，甚至可能预测出新的观察结果。

2经典机器学习

经典机器学习是一种数据驱动型技术，受模式识别启动，专注于回归算法和分类算法。其潜在的随机机制通常并没有作为最首要一项

转载请注明：http://www.jmrrc.com/swzdby/11176.html