机器学习的核心概念置信度和置信区间，我用这个例子把它讲明白

1 引出概念

今天，讲一个数据分析或机器学习里非常重要的概念，置信度和置信区间。为什么说置信度和置信区间非常重要？举个例子。

拿到一个电影数据集，为了挑选出喜剧类型的电影，在豆瓣上评分前10名。这看似并不困难，使用pandas几行代码差不多就能完成分析，给出一个结果。

但是，当回过头来仔细检查时，却发现，选出的10部电影，竟然有5部电影只有一个人评分，并且都是给了10分。

基于这种情况，评选出的前10名，自然不能服众，不具有很强的说服力。

我们更期望的是，一部电影被众多观影者打分，然后从这些电影中，挑选得分更高的电影。

这里就能引出：置信度和置信区间的概念。

一部电影被众多人打分，最后平均得分为8.5，那么这部电影的得分在8.2~8.8分，置信度将会很高，假设为90%；

相反，一部电影只有两个人打分，尽管最后平均分为9.5分，但是在区间：9.2~9.8分的置信度，可能就没那么高，预估为50%吧。言外之意，这个置信区间9.2~9.8被否的可能性会更大，毕竟只有50%吗。

2 理论解释

如果我们叫无数个观影者给某部电影打分，下面的图就是总体分布图，其平均得分为 μ ，标准差为 σ ：

如果我们已经得出μ 和 σ ，我们可以说约 68％ 的样本会落在红色区域：平均得分在上下两个 σ内的置信度就是95%.

假设样本无穷大，这样得到某部电影的平均得分就是总体分布得分，平均分为0.65分(满分为1分)， 标准差为0.03.

那么这部电影的平均得分在置信区间0.62~0.68 分的置信度约为95%.

所以，为了增强结果的说服力，可以过滤掉那些被评分较少的电影，那么到底少于多少就应该被过滤掉，这里也有说法。

3 求95%置信度对应样本个数

已知样本标准差，Z值，置信区间的长度，根据公式，便能计算出样本个数，具体计算公式大家自行查询，在此不列出。

表格参考如上，如果我们按照95%的置信度，允许误差为5%的话，需要的样本个数至少为385.

所以，我们的问题已经解决了，要找出至少有385次被评分的所有电影，按照喜剧的平均分依次从大到小排序，选出前10.

因为用到Z值，在此说明下Z值的求法，作为知识扩充。

4 求95%置信度对应的Z值

允许电影评分有左右各有误差，即0.05/2=0.025。此时要查尾部面积是0.025时的Z值。

查Z值表时要在表中间找到0.975。从这一行水平往左得到1.9，往上对得到0.06，把两个数加起来就是1.96。

5 求95%置信度对应的置信区间

计算置信区间：

第一步，已知样本，求样本平均值、标准差和标准误差。样本标准误差：

第二步，确定置信度（置信水平），常用的置信度是95%。

第三步，求置信区间[a,b]上下限，Z值求法参考上面，所以容易得出：

a = 总体平均值 - Z*标准误差

b = 总体平均值 + Z*标准误差

以上这些知识点，相信大家在网上也能搜出来，但是学习最重要的是知识逻辑梳理。一个一个的知识点这就好比放到那里的一个一个的珠子，而知识的逻辑体系就好比那一根线，它把一个一个的珠子串联起来，这根线就是逻辑线。我更希望通过辛苦总结，形成这样一根串珠子的线，这才是最大的价值所在，而像珠子的知识获取手段目前从来都不匮乏。