ML 系列：第 32节 — 机器学习中的统计简介

一、说明

机器学习中的统计
随着我们深入研究机器学习领域，了解统计学在该领域的作用至关重要。统计学是机器学习的支柱，它提供了理解数据和获得有意义见解的工具和方法。在这篇文章中，我们将探讨统计的定义、它在机器学习中的重要性，以及描述性统计和推理统计之间的区别。

二、统计概述

统计学是数学的一个分支，涉及数据的收集、分析、解释、表示和组织。它提供了一个基于数据做出决策和预测的框架。在机器学习的背景下，统计学可以帮助我们理解我们正在处理的数据，准确地对其进行建模，并得出可靠的结论。

机器学习中的定义和重要性
统计学可以定义为从数据中学习的科学。它涉及设计实验和调查、收集数据、总结信息和进行推理的方法。在机器学习中，统计数据至关重要，因为：

1. 数据理解：在构建任何机器学习模型之前，了解数据很重要。统计技术有助于汇总和可视化数据，揭示模式、异常和关系。

2. 模型构建：统计模型构成了许多机器学习算法的基础。回归、分类和聚类等技术都源于统计方法。

3. 模型评估：Statistics 提供指标和测试来评估机器学习模型的性能。这可确保模型可靠且预测准确。

4. 推理和预测：通过统计推理，我们可以根据样本数据对总体进行预测。这在机器学习中进行预测或识别趋势时特别有用。

三、描述性统计与推断性统计

统计学大致可分为两种类型：描述性统计和推论统计。两者都在数据分析过程中发挥着重要作用，但它们的用途不同。

3.1 描述统计学

描述性统计总结并描述数据集的主要特征。它们提供有关样本和度量的简单摘要。这些摘要可以是图形或数字。以下是一些关键概念：

• 集中趋势的测量：这些值包括平均值 （平均值）、中位数 （中间值） 和众数 （最频繁的值），它们有助于识别数据集的中心。
• 离差度量： 这些指标包括范围（最大值和最小值之间的差值）、方差和标准差，它们表示数据中的散布或可变性。
• 数据可视化：直方图、箱形图和散点图等图形表示有助于可视化数据并识别模式或异常值。

描述性统计提供了一种以合理的方式简化大量数据的方法。每个描述性统计数据都将大量数据简化为更简单的摘要。

3.2 推论统计

描述性统计旨在总结手头的数据，而推论统计用于从数据样本中对更大的总体进行预测或推断。这包括：

• 采样：从总体中选择一个代表性群体，以得出有关整个总体的结论。
• 假设检验：对总体提出主张或断言，并通过数据分析检验这些主张。
• 置信区间： 提供可能包含相关群体参数的值范围。
• 回归分析：了解变量之间的关系并进行预测。

推论统计使我们能够对总体做出概率陈述，并了解与我们的结论相关的不确定性。

四、描述性统计中的均值、中位数和众数

在分析数据时，了解其中心趋势至关重要。集中趋势的度量提供表示数据集的中心点或典型值的单个值。三种最常见的度量是均值、中位数和众数。每个 Cookie 都提供了独特的见解，并在不同的上下文中非常有用。让我们深入研究这些度量中的每一个。

意味 着
平均值（通常称为平均值）是数据集中所有值的总和除以值的数量。它是一个度量值，它提供表示数据分布中心点的单个值。

均值公式：

这里：

xi 表示数据集中的每个值。
n 是数据集中值的数目。
示例：
考虑数据集：5、10、15、20、25

平均值 = （5 + 10 + 15 + 20 + 25） / 5 = 75/5 = 15

Python 代码：

import numpy as np
from scipy import statsdata = np.array([5, 10, 15, 20, 25])# Calculate the mean
mean = np.mean(data)print("Mean:", mean)
# Mean: 15.0

优点：

• 易于计算和理解。
• 使用所有数据点，提供全面的度量。

缺点：

• 对异常值敏感，异常值会显着扭曲平均值。

中位数
中位数是数据集的中间值，当值按升序或降序排列时。如果观测值数为偶数，则中位数是两个中间数字的平均值。

查找中位数的步骤：
1。按升序排列数据。
2. 确定中间值。

示例：
考虑数据集：5、10、15、20、25。

1. 按升序排列（已完成）： 5， 10， 15， 20， 25
   2.中间值（中位数）为 15。

python 中的代码：import numpy as np
from scipy import statsdata = np.array([5, 10, 15, 20, 25])# Calculate the median
median = np.median(data)print("Median:", median)
# Median: 15.0

注意： 对于偶数个观测值，请考虑数据集：5、10、15、20。

1. 按升序排列： 5， 10， 15， 20
   2.中间值为 10 和 15。
2. 中位数 = （10 + 15） / 2 = 12.5

优点：

• 不受异常值的影响，使其成为集中趋势的稳健衡量标准。
• 在偏态分布中更准确地反映数据集的中心。

缺点：

• 没有利用所有数据点，可能会忽略有价值的信息。

模式
mode 是数据集中出现频率最高的值。数据集可能具有一种模式、多个模式，或者如果没有数字重复，则根本没有模式。

示例：
考虑数据集：5、10、15、20、20、25

• 模式为 20，因为它出现得最频繁。

python 中的代码：

import numpy as np
from scipy import statsdata = np.array([5, 10, 15, 20, 25])# Calculate the mode
mode = stats.mode(data)print("Mode:", mode.mode)
# Mode: 5

优点：

• 易于识别。
• 对于我们希望了解最常见类别的分类数据很有用。

缺点：

• 可能不是唯一的;多种模式会使解释复杂化。
• 并不总是代表数据集，尤其是连续数据。

选择正确的度量

• 平均值：非常适合没有异常值的对称分布。
• 中位数：最适合偏态分布或具有异常值的数据。
• 模式： 对于分类数据以及识别数据集中最常见的值非常有用。

了解这些集中趋势的度量对于任何数据分析都至关重要，为更高级的统计技术和数据驱动的决策奠定了基础。通过选择合适的度量，您可以更好地解释数据并提取有意义的见解。

在我们的机器学习之旅中，我们在第 33 期中探讨了集中趋势的测量。