统计分类

统计分类是机器学习非常重要的一个组成部分，它的目标是根据已知样本的某些特征，判断一个新的样本属于哪种已知的样本类[1]。分类是监督学习的一个实例，根据已知训练集提供的样本，通过计算选择特征参数，建立判别函数以对样本进行的分类。与之相对的是無監督學習，例如聚类分析。

机器学习与
范式 监督学习 無監督學習 線上機器學習 元学习 半监督学习 自监督学习 强化学习 基于规则的机器学习 量子機器學習
问题 统计分类 生成模型 迴歸分析 聚类分析 降维 密度估计 异常检测 数据清洗 自动机器学习 关联规则学习 語意分析 结构预测 特征工程 表征学习 排序学习 语法归纳 本体学习 多模态学习
监督学习 (分类 · 回归) 学徒学习 决策树学习 集成学习 Bagging 提升方法 随机森林 k-NN 線性回歸 朴素贝叶斯 人工神经网络 邏輯斯諦迴歸 感知器 相关向量机（RVM） 支持向量机（SVM） 迁移学习 微调
聚类分析 BIRCH CURE算法 层次 k-平均 Fuzzy 期望最大化（EM） DBSCAN OPTICS 均值飘移
降维 因素分析 CCA ICA LDA NMF PCA PGD t-SNE SDL
结构预测 圖模式 貝氏網路 條件隨機域 隐马尔可夫模型
异常检测 RANSAC k-NN 局部异常因子 孤立森林
人工神经网络 自编码器 認知計算 深度学习 DeepDream 多层感知器 RNN LSTM GRU ESN 储备池计算 受限玻尔兹曼机 GAN SOM CNN U-Net Transformer Vision transforme 脉冲神经网络 Memtransistor 电化学RAM（ECRAM）
强化学习 Q学习 SARSA 时序差分（TD） 多智能体 Self-play RLHF
与人类学习 主动学习 众包 Human-in-the-loop
模型诊断 学习曲线
数学基础 内核机器 偏差–方差困境 计算学习理论 经验风险最小化 奥卡姆学习 PAC学习 统计学习 VC理论
大会与出版物 NeurIPS ICML ICLR ML JMLR
相关条目 人工智能术语 机器学习研究数据集列表 机器学习概要

统计分类机器学习是一种利用统计方法和算法来从数据中学习分类规则的技术。分类是一种预测性分析，目的是将输入数据分配到预定义的类别或标签中。例如，根据邮件的内容，我们可以将其分类为垃圾邮件或非垃圾邮件。

统计分类机器学习的基本步骤如下：

• 数据收集和预处理：这一步涉及到从不同的来源收集数据，并对其进行清洗、转换和标准化，以便于后续的分析。
• 特征选择和提取：这一步涉及到从数据中选择和提取与分类任务相关的特征或属性。特征可以是数值的、类别的或文本的。特征选择和提取的目的是降低数据的维度，减少噪声和冗余，提高分类的准确性和效率。
• 模型选择和训练：这一步涉及到从多种统计分类算法中选择合适的模型，并用训练数据来训练模型。训练数据是已经有类别标签的数据，用于让模型学习分类规则。常用地统计分类算法有逻辑回归、朴素贝叶斯、支持向量机、决策树、随机森林、神经网络等。
• 模型评估和优化：这一步涉及到用测试数据来评估模型的性能和泛化能力。测试数据是没有类别标签的数据，用于检验模型是否能正确地分类新的数据。常用的评估指标有准确率、召回率、精确率、F1分数等。根据评估结果，我们可以对模型进行调整和优化，以提高分类的效果。
• 模型部署和应用：这一步涉及到将训练好的模型部署到实际的应用场景中，如网站、手机应用、智能设备等。模型部署和应用的目的是利用模型的分类能力来解决实际的问题，如垃圾邮件过滤、情感分析、人脸识别等。