機器學(xué)習(xí)和統(tǒng)計模型的差異

在各種各樣的數(shù)據(jù)科學(xué)論壇上這樣一個問題經(jīng)常被問到——機器學(xué)習(xí)和統(tǒng)計模型的差別是什么？

這確實是一個難以回答的問題?？紤]到機器學(xué)習(xí)和統(tǒng)計模型解決問題的相似性，兩者的區(qū)別似乎僅僅在于數(shù)據(jù)量和模型建立者的不同。這里有一張覆蓋機器學(xué)習(xí)和統(tǒng)計模型的數(shù)據(jù)科學(xué)維恩圖。

在這篇文章中，我將盡最大的努力來展示機器學(xué)習(xí)和統(tǒng)計模型的區(qū)別，同時也歡迎業(yè)界有經(jīng)驗的朋友對本文進行補充。

在我開始之前，讓我們先明確使用這些工具背后的目標(biāo)。無論采用哪種工具去分析問題，最終的目標(biāo)都是從數(shù)據(jù)獲得知識。兩種方法都旨在通過分析數(shù)據(jù)的產(chǎn)生機制挖掘 背后隱藏的信息。

兩種方法的分析目標(biāo)是相同的?，F(xiàn)在讓我們詳細(xì)的探究一下其定義及差異。

定義

機器學(xué)習(xí):一種不依賴于規(guī)則設(shè)計的數(shù)據(jù)學(xué)習(xí)算法。

統(tǒng)計模型：以數(shù)學(xué)方程形式表現(xiàn)變量之間關(guān)系的程式化表達

對于喜歡從實際應(yīng)用中了解概念的人，上述表達也許并不明確。讓我們看一個商務(wù)的案例。

商業(yè)案例

讓我們用麥肯錫發(fā)布的一個有趣案例來區(qū)分兩個算法。

案例：分析理解電信公司一段時間內(nèi)客戶的流失水平。

可獲得數(shù)據(jù)：兩個驅(qū)動-A&B

麥肯錫接下來的展示足夠讓人興奮。盯住下圖來理解一下統(tǒng)計模型和機器學(xué)習(xí)算法的差別。

從上圖中你觀察到了什么？統(tǒng)計模型在分類問題中得到一個簡單的分類線。 一條非線性的邊界線區(qū)分了高風(fēng)險人群和低風(fēng)險人群。 但當(dāng)我們看到通過機器學(xué)習(xí)產(chǎn)生的顏色時， 我們發(fā)現(xiàn)統(tǒng)計模型似乎沒有辦法和機器學(xué)習(xí)算法進行比較。 機器學(xué)習(xí)的方法獲得了任何邊界都無法詳細(xì)表征的信息。這就是機器學(xué)習(xí)可以為你做的。

機器學(xué)習(xí)還被應(yīng)用在YouTube 和Google的引擎推薦上， 機器學(xué)習(xí)通過瞬間分析大量的觀測樣本給出近乎完美的推薦建議。 即使只采用一個16 G 內(nèi)存的筆記本，我每天處理數(shù)十萬行的數(shù)千個參數(shù)的模型也不會超過30分鐘。 然而一個統(tǒng)計模型需要在一臺超級計算機跑一百萬年來來觀察數(shù)千個參數(shù)。

機器學(xué)習(xí)和統(tǒng)計模型的差異：

在給出了兩種模型在輸出上的差異后，讓我們更深入的了解兩種范式的差異，雖然它們所做的工作類似。

所屬的學(xué)派
產(chǎn)生時間
基于的假設(shè)
處理數(shù)據(jù)的類型
操作和對象的術(shù)語
使用的技術(shù)
預(yù)測效果和人力投入

以上提到的方面都能從每種程度上區(qū)分機器學(xué)習(xí)和統(tǒng)計模型，但并不能給出機器學(xué)習(xí)和統(tǒng)計模型的明確界限。

分屬不同的學(xué)派

機器學(xué)習(xí)：計算機科學(xué)和人工智能的一個分支,通過數(shù)據(jù)學(xué)習(xí)構(gòu)建分析系統(tǒng)，不依賴明確的構(gòu)建規(guī)則。 統(tǒng)計模型：數(shù)學(xué)的分支用以發(fā)現(xiàn)變量之間相關(guān)關(guān)系從而預(yù)測輸出。

誕生年代不同

統(tǒng)計模型的歷史已經(jīng)有幾個世紀(jì)之久。但是機器學(xué)習(xí)卻是最近才發(fā)展起來的。二十世紀(jì)90年代，穩(wěn)定的數(shù)字化和廉價的計算使得數(shù)據(jù)科學(xué)家停止建立完整的模型而使用計算機進行模型建立。這催生了機器學(xué)習(xí)的發(fā)展。隨著數(shù)據(jù)規(guī)模和復(fù)雜程度的不斷提升，機器學(xué)習(xí)不斷展現(xiàn)出巨大的發(fā)展?jié)摿Α?/p>

假設(shè)程度差異

統(tǒng)計模型基于一系列的假設(shè)。例如線性回歸模型假設(shè)：

（1） 自變量和因變量線性相關(guān) （2） 同方差 （3） 波動均值為0 （4） 觀測樣本相互獨立 （5） 波動服從正態(tài)分布

Logistics回歸同樣擁有很多的假設(shè)。即使是非線性回歸也要遵守一個連續(xù)的分割邊界的假設(shè)。然而機器學(xué)習(xí)卻從這些假設(shè)中脫身出來。機器學(xué)習(xí)最大的好處在于沒有連續(xù)性分割邊界的限制。同樣我們也并不需要假設(shè)自變量或因變量的分布。

數(shù)據(jù)區(qū)別

機器學(xué)習(xí)應(yīng)用廣泛。 在線學(xué)習(xí)工具可飛速處理數(shù)據(jù)。這些機器學(xué)習(xí)工具可學(xué)習(xí)數(shù)以億計的觀測樣本，預(yù)測和學(xué)習(xí)同步進行。一些算法如隨機森林和梯度助推在處理大數(shù)據(jù)時速度很快。機器學(xué)習(xí)處理數(shù)據(jù)的廣度和深度很大。但統(tǒng)計模型一般應(yīng)用在較小的數(shù)據(jù)量和較窄的數(shù)據(jù)屬性上。

命名公約

下面一些命名幾乎指相同的東西：

公式：

雖然統(tǒng)計模型和機器學(xué)習(xí)的最終目標(biāo)是相似的，但其公式化的結(jié)構(gòu)卻非常不同

在統(tǒng)計模型中，我們試圖估計f 函數(shù) 通過

因變量（Y）=f(自變量)+ 擾動 函數(shù)

機器學(xué)習(xí)放棄采用函數(shù)f的形式，簡化為：

輸出（Y）——> 輸入（X）

它試圖找到n維變量X的袋子，在袋子間Y的取值明顯不同。

預(yù)測效果和人力投入

自然在事情發(fā)生前并不給出任何假設(shè)。 一個預(yù)測模型中越少的假設(shè)，越高的預(yù)測效率。機器學(xué)習(xí)命名的內(nèi)在含義為減少人力投入。機器學(xué)習(xí)通過反復(fù)迭代學(xué)習(xí)發(fā)現(xiàn)隱藏在數(shù)據(jù)中的科學(xué)。由于機器學(xué)習(xí)作用在真實的數(shù)據(jù)上并不依賴于假設(shè)，預(yù)測效果是非常好的。統(tǒng)計模型是數(shù)學(xué)的加強，依賴于參數(shù)估計。它要求模型的建立者，提前知道或了解變量之間的關(guān)系。

結(jié)束語

雖然機器學(xué)習(xí)和統(tǒng)計模型看起來為預(yù)測模型的不同分支，但它們近乎相同。通過數(shù)十年的發(fā)展兩種模型的差異性越來越小。模型之間相互滲透相互學(xué)習(xí)使得未來兩種模型的界限更加模糊。

原文鏈接：

http://www.analyticsvidhya.com/blog/2015/07/difference-machine-learning-statistical-modeling/

原文作者：TAVISH SRIVASTAVA

翻譯： F.xy ?via：數(shù)據(jù)工匠

End.

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。