数据量很少，用什么模型？| 数说 · 算法

数说君曾经在公众平台上发起过这个话题：

【小样本预测模型哪家强？】想要用X1、X2、X3预测Y，训练样本只有30个或者以内，有什么用的模型可选？您的推荐是？

收到了各位大神的各种建议，如：

• 样本小，当然贝叶斯；
• bootstrap然后再用回归什么的吧（这个最多）；
• 灰色预测模型（PS：该模型是一位中国人提出的）；
• 人工神经网络；

等等...

还有一位同学的回答，数说君认为很经典：

• 不在于样本数多少，在于是否够——足够近似到正态。当然不能太少了，否则随机性很强。

数说工作室特约撰稿人飞扬博士的建议是：

• 巧用交叉验证。 比如留一交叉验证法，每次都将一个样本作为测试样本，其它N-1个样本作为训练样本。这样得到N个训练模型，N个测试结果。用这N个结果的平均值来衡量模型的性能。

交叉验证可以从有限的样本中获得更充分的信息，让样本更有效的利用。关于交叉验证的具体内容，飞扬博士过几天将会专门介绍一下。

最后，分享一张scikit-learn.org的flow chart，它概括了如何根据数据量来选择模型：

（看不清楚请点开）

比如举个例子：

现在想通过身高、体重、年收入来预测一个人的性别（随便举的例子，勿喷~），目前有2万人的训练数据。

样本量大于50，预测的是一个分类变量（category），同时有标记数据，即是有监督的学习（关于有监督和无监督，参考这里→机器学习分类大全），样本量2万<100K，根据这些条件，我们选择Linear SVC。

等一等...开头中数说君的话题【小样本预测模型哪家强】中，样本量为“30或以内”，按照这个指南图的标准，只-能-想-办-法---get more data了....

尼玛！让我哭一会~

针对小样本数据，如何选择模型？ 欢迎各位大神给数说君留言，或者再下方评论区评论