統(tǒng)計建模和機器學(xué)習(xí)建模，有什么區(qū)別？相同點：不同點1、不同的學(xué)派：機器學(xué)習(xí)(Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科

統(tǒng)計建模和機器學(xué)習(xí)建模，有什么區(qū)別？

相同點：

不同點1、不同的學(xué)派：

機器學(xué)習(xí)(Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。

統(tǒng)計建模(Statistical modeling)則完全是數(shù)學(xué)的分支，以概率論為基礎(chǔ)，采用數(shù)學(xué)統(tǒng)計方法建立模型。

機器學(xué)習(xí)更多地強調(diào)優(yōu)化和性能，而統(tǒng)計學(xué)則更注重推導(dǎo)。

2、不同的數(shù)據(jù)量：

機器學(xué)習(xí)應(yīng)用廣泛。 在線學(xué)習(xí)工具可飛速處理數(shù)據(jù)。這些機器學(xué)習(xí)工具可學(xué)習(xí)數(shù)以億計的觀測樣本，預(yù)測和學(xué)習(xí)同步進行。一些算法如隨機森林和梯度助推在處理大數(shù)據(jù)時速度很快。機器學(xué)習(xí)處理數(shù)據(jù)的廣度和深度很大。

統(tǒng)計模型一般應(yīng)用在較小的數(shù)據(jù)量和較窄的數(shù)據(jù)屬性上。

3、不同的數(shù)據(jù)分析

機器學(xué)習(xí)本質(zhì)上是一種算法，這種算法由數(shù)據(jù)分析習(xí)得，而且不依賴于規(guī)則導(dǎo)向的程序設(shè)計；

統(tǒng)計建模則是以數(shù)據(jù)為基礎(chǔ)，利用數(shù)學(xué)方程式來探究變量變化規(guī)律的一套規(guī)范化流程。

總結(jié)來說，機器學(xué)習(xí)的關(guān)鍵詞是預(yù)測、監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)等。而數(shù)理統(tǒng)計是關(guān)于抽樣、統(tǒng)計和假設(shè)檢驗的科學(xué)。

4、不同的數(shù)據(jù)使用

機器學(xué)習(xí)并不需要對有關(guān)變量之間的潛在關(guān)系提出先驗假設(shè)。研究人員只需要將所有的可用數(shù)據(jù)導(dǎo)入模型，等待算法的分析并輸出其中的潛在規(guī)律，然后將這一規(guī)律應(yīng)用于新數(shù)據(jù)進行預(yù)測就可以了。對于研究人員來說，機器學(xué)習(xí)就像一個黑盒子，你只需要會用，但并不清楚其中的具體實現(xiàn)。機器學(xué)習(xí)通常應(yīng)用于高維度的數(shù)據(jù)集，你的可用數(shù)據(jù)越多，預(yù)測通常就越準(zhǔn)確。

相比之下，統(tǒng)計學(xué)則必須了解數(shù)據(jù)的收集，估計量（包括p值和無偏估計）的統(tǒng)計特征，被研究人群的潛在分布規(guī)律，以及多次試驗的期望參數(shù)的類型。研究人員需要非常清楚自己在做什么，并提出具有預(yù)測能力的參數(shù)。而且統(tǒng)計建模通常用于較低維度的數(shù)據(jù)集。

5、不同的著重點：

機器學(xué)習(xí)著重于探索數(shù)據(jù)所展現(xiàn)的關(guān)系和結(jié)構(gòu)，更關(guān)心模型的預(yù)測能力，即更注重模型的優(yōu)化和性能。

統(tǒng)計建模著重于評估小樣本數(shù)據(jù)中所體現(xiàn)的關(guān)系和結(jié)構(gòu)在總體中推廣，更關(guān)心模型的可解釋性，即更注重模型的推導(dǎo)。

關(guān)于這一點，我們或許可以從下面這兩段分別來自統(tǒng)計學(xué)家和機器學(xué)習(xí)研究人員針對同一數(shù)據(jù)模型的描述上得到更深的體會。

機器學(xué)習(xí)研究人員：在給定 a、b 和 c 的前提下，該模型準(zhǔn)確預(yù)測出結(jié)果 Y 的概率達到了 85%。

統(tǒng)計學(xué)家：在給定 a、b 和 c 的前提下，該模型準(zhǔn)確預(yù)測出結(jié)果