Statistical Learning
Y 和X的关系
why estimate f
- 用来预测
预测的时候可以将f^当成一个black box来用，目的主要是预测对应x时候的y而不关系它们之间的关系。 - 用来推断
推断的时候，f^不能是一个black box，因为我们想知道predictor和response之间的关系，用来做特征提取，关系分析等。
根据目的是预测还是推断或者两者结合选择不同的模型，需要做一下trade off。
how estimate f
- 参数方法
它将确定了f的形式，将估计p维的f函数降为了对一些参数的估计
先构建参数表达式，然后用参数表达式去训练数据，例如linear regression。
优点是模型和计算简单，缺点是预先确定了f的形式，可能会和真实的f相差较大。 - 非参数方法
对f的形式并未做假设，它要求得到的结果与训练集越接近越好，但是保证模型不要太过复杂。
优点是适用于更多的f，能够得到更高的正确率，缺点是因为是无参数估计，所以需要的数据量是很大的。
The Trade-Off Between Prediction Accuracy and Model
Interpretability
- Subset Selction Lasso（最难理解）
- Least Squares
- Generallized Additive Models Trees
- Bagging,Boosting
- SVM(最灵活)
模型越复杂，对于模型的可解释度越小。
如果需要对模型进行高精度预测的话，比如股票市场，可以采用更flexible的方法。
然而，在股票市场，高精度的方法有时候效果更差，原因是对训练数据产生了过拟合。
Supervised Versus Unsupervised Learning
Regression Versus Classification Problems
以上两部分的内容在Ng的ML课程中有详细的介绍
二 Assessing model Accuracy
1 Measuring quality of fit
均方误差 MSE
MSE越小越好
The Bias-Variance Trade-Off
（1） 公式中第一项是预测的方差（variance），表示了如果我们更换一个训练集，预测函数f(x)的变化程度，一般来说，自由度越高的方法具有越大的方差;
（2） 第二项是预测的偏差（ bias），某种学习算法的平均估计结果所能逼近学习目标的程度一般来讲，自由度越高的方法具有越小的偏差; 独立于训练样本的误差，刻画了匹配的准确性和质量：一个高的偏差意味着一个坏的匹配
（3） 最后一项是不可消除偏差。
训练充足后，训练数据的轻微扰动都会导致学习器发生显著变化，发生过拟合。
当方差和偏差加起来最优的点，就是我们最佳的模型复杂度。
红色的曲线代表了MSE，橘黄色曲线代表方差，蓝色的曲线代表偏差，水平虚线代表了不可消除偏差，竖直虚线代表了模型实际的自由度。
2 classification setting
训练错误率
（1）bayes classifier
条件概率
贝叶斯错误率
（2）K-Nearest Neighbors（KNN）
理论上，我们偏爱贝叶斯分类器去得到最优的模型。
但是实际上，我们并不知道特定点X对应的Y分布，因此不能够直接使用贝叶斯分类器。
但是，有很多方法，可以人工地构造条件概率分布，然后接着使用贝叶斯分类器。
KNN虽然很简单，但是它的错误率却可以很逼近最低的错误率
R—exercise
