La mayoría de la reciente famoso métodos que sale de la máquina de aprendizaje, están bajo la supervisión de los métodos de aprendizaje como los Árboles de Decisión, Bosques Aleatorios, Aprendizaje Profundo, SVMs.
El más tradicional de aprendizaje supervisado métodos, como la regresión lineal y logística, con o sin regularización, han tenido una larga historia en el análisis de sus matices (por ejemplo, los supuestos para un uso fiable como la normalidad, los intervalos de confianza, pruebas de hipótesis, estimadores óptimos).
A pesar de la tradicional estadísticas de modelos y la más moderna ML vienen de diferentes disciplinas (para las estadísticas teóricamente asociados con los departamentos de matemáticas y, prácticamente, la agronomía, la medicina, las ciencias sociales y de la econometría, y para la máquina de aprendizaje de ciencias de la computación con aplicaciones en la visión, la PNL, y AI), tienen el mismo fin.
Parece que el ML modelos, como muy exitoso como parecen, también parecen tener muy poco apoyo teórico.
En contraste, la regresión lineal puede tener un valor de p del análisis de cada variable, F-test para todo el ajuste, tiene (el clásico de cinco supuestos). Nunca he visto el análisis de los más complicados ML de pruebas.
No parece ser un tratamiento de los modelos de aprendizaje automático con el rigor de los análisis de los modelos estadísticos. http://www.fharrell.com/post/stat-ml/
Es allí cualquier intento de aplicar el clásico de técnicas de análisis estadístico para la evaluación de las nuevas ML modelos de regresión?
