这个系列是我通过阅读 Scikit-learn 的文档，结合自己的理解和掌握的知识，重新把文档描述出来。希望能加深自己的理解，希望能帮到有需要的人。
学习材料：https://scikit-learn.org/stable/tutorial/statistical_inference/index.html
目标
机器学习要解决的任务包括有：
- 对于有标签的观测结果，构建一个统一的预测函数，不但能描述此前的多次观测结果，还能判断未来的观测结果属于哪一类
- 从无标签的观测结果中，学习归纳出数据的内在结构和形式
途径
为了实现 上述学习目标 ，一种比较有效的方法是统计学习方法：统计推断（statistical inference）。
统计推断是由于总体的特征难以得到，只能通过有限的观测值来推断总体的特征。这么做的逻辑是：
- 每一次的观测值一定携带着有关总体的信息，通过统计的方法，就能把有关总体的信息尽可能多地提取出来。
- 观测值又不能完全体现有关总体的信息，所以利用观测值的统计结果代替总体的特征，总会有一定的信息损失。
- 如果我们能将信息的损失程度加以量化，就能寻找一种方法，将损失程度降到最低。
总体的特征又有两个方面：
- 确定分布时，需要估计分布的参数
- 未知分布时，需要对总体的做出假设
如果您对本站内容有疑问或者寻求合作，欢迎 联系邮箱 。邮箱已到剪贴板