我希望有更多机器学习知识的人可以帮助我。我一直在阅读回归和分类的例子，我似乎总是回到这个问题'这个算法正在做什么与标准统计分析之间的区别是什么'。
具体来说，我读过的所有例子似乎都没有讨论预测因素。例如，在查看线性回归时，文章通常会解释尝试创建“最佳拟合”的概念 - 线性方程的组合，然后迭代成本函数，直到达到最小值。当然，很多重点都放在了“训练数据集”上。没问题......但这通常是它结束的地方。在这一点上，我看不出上述和标准方式之间的区别，在这种方式中，人们将对假定具有线性关系的数据集进行统计分析。据推测，这里的未来值是从成本函数收敛到最小值时产生的等式“预测”的 - 再次，这里似乎没有太多'学习'，因为这正是通常情况下所做的
经过长时间的介绍......我想问的是算法是如何从原始训练数据中学到的？这个培训集如何帮助未来的数据集？ （再次，这是我有点迷失的地方 - 对我而言，似乎你会给它一个新的数据集，并执行最小化成本函数的相同任务 - 但是，这次你有一个更好的'起点'但是你所有的知识都来自于你已经对数据集“已知”的东西，即那个假定为线性关系的东西。
我希望这是有道理的 - 显然缺乏理解，但我希望有人能把我推向正确的方向。
谢谢！
答案 0 :(得分：3)
你是对的，没有区别。线性回归纯粹是一种统计方法，并且适合于＃34;可能会比＃34;学习＆＃34;更准确在这种情况下。但同样，这通常只是关于这一主题的第一次讲座。有许多方法可以使差异更加清晰，例如SVM。还有一些方法可以学习＆＃34;方面更加清晰，例如在游戏中使用reirforcement学习，您可以实际看到您的系统通过经验提高其性能。
无论如何，机器学习的主要课题是从实例中学习。您将获得100名患者的名单，以及血压，年龄，胆固醇水平等，并且每名患者都被告知他们是否患有心脏病。然后，给你一个你以前没见过的病人。他有心脏病吗？大多数人称之为预测。您可能更喜欢称它为拟合或其他任何东西。但事实是，它通常运作良好。
尽管如此，主题仍然与统计数据密切相关，实际上，您需要对基础函数做出一些假设（在更大或更小的范围内，取决于算法）。它并不完美，但在许多情况下它是我们拥有的最好的东西，所以我认为它值得研究。如果你现在就开始，有一个很棒的在线课程，斯坦福大学的统计学习＆＃34;，从你的角度来处理这个问题。