问传统预测分析与机器学习方法

EN

这个问题很难回答，因为ML是非常新的，在语义和学术上不像统计那样定义。

但是，通过将重点放在工具和方法以及目标和用例上，可以帮助我们看到一些不同的问题。

机器学习本身使用统计和数学算法来解决计算问题，特别是预测问题。传统的预测分析和工具也是如此。

随机森林模型不是本质上的传统或ML，我确实可以在SPSS和python中进行拟合。

那么，如果有什么区别呢：

首先，我们必须理解ML来自一个与经典统计分析不同的领域。在许多情况下，没有真正的区别，但一个CS学生可能称之为ML，而社会学家会称之为预测分析。

所以让我们来看看你的更具体的问题：

1. 为什么不使用STATA和SPSS？

你可以的!事实上，STATA和SPSS本身就具有ML能力，可以用来建模现代ML算法。然而，对于ML领域的许多具体用例，STATA和SPSS缺乏计算能力和高效建模大数据集的能力。

1. 为什么不一直使用线性回归等传统模型呢？

并不是每一个问题和每种类型的数据都符合经典方法。例如，线性回归不能处理稀疏的数据和大量的NAs实例，如果我们使用大量的预测器(例如，一幅简单的图像可以转换为786个预测器)，它不能预测非线性关系和崩溃的速度。

另外，ML方法只是通过使用最先进的技术来实现经典预测分析的更新。ML不同于传统的统计，主要是在使用上，我们有增量学习和自我优化等内容。

另外，请理解，经典的ML算法，如增强树、随机森林、朴素贝叶斯等，与深度学习有很大的不同。

没有区别，机器学习只是统计，而是使用更现代的技术。统计学理论也适用于机器学习方法，它们也不例外。传统的统计往往更感兴趣的是推理(而不是预测)，而不是机器学习，但是没有什么可以阻止您使用ML进行推理。

统计和机器学习之间的错误划分，而不是把它看作一个连续体，对两个社区都是不利的，因为它们彼此之间有很多东西需要学习。其主要原因是许多机器学习研究人员来自计算机科学、物理或工程背景(就我的例子来说，我现在教的是CS)，只是不知道很多在统计学中已经众所周知的事情。幸运的是，有一些统计学家已经在ML中广为人知，这是有帮助的(例如Vapnik)。类似地，许多统计数据可以从(平均)更好地理解ML领域的计算中获益。

毫升往往在计算上要求更高，但没有真正的除法。

这是个有趣的问题。根据我的理解，首先，如果说统计方法和机器学习是相同的(尽管它们看起来可能是一样的)，那将是完全不正确的。

-统计在建立任何机器学习模型方面发挥着重要作用。但是机器学习的目的是根据训练集预测一些东西，并与测试集进行比较，而统计数据则帮助我们建立变量之间的关系。

--以线性回归的基本例子为例，似乎两者的统计方法和ML是相同的(这不是真的)。线性回归是一种统计方法，我们可以训练一个线性回归器，得到与统计回归模型相同的结果，目的是最小化数据点之间的平方误差。但是在ML中，您将将数据集划分为一个训练数据集，并从它构建模型，并在“测试集”上测试它，以查看它是如何工作的。但统计数据只关注变量之间的基本关系。虽然这可以用于你在问题中提到的预测分析，但是评估不会基于训练和测试结果，而是通过评估模型参数的重要性和稳健性。

-ML可用于建立有监督和无监督的模型，其中统计方法可以帮助您预测连续变量、回归和分类。毫升肯定会使用它，但对它有更客观的认识，而不仅仅是找到一段关系。

我希望这个答案能给你一些考虑。