Die Bootstrap-Methode ist eine sehr nützliche statistische Schätzmethode. Bradley Efron, Professor am Department of Statistics in Stanford, hat eine neue Methode vorgeschlagen, die auf der Zusammenfassung und Zusammenfassung früherer Forschungsergebnisse basiert -parametrische statistische Methoden.
Bootstrap ist eine Art nichtparametrische Monte-Carlo-Methode. Ihr Kern besteht darin, Beobachtungsinformationen erneut abzutasten und dann statistische Schlussfolgerungen über die Verteilungsmerkmale der Population zu ziehen.
Da diese Methode die gegebenen Beobachtungsinformationen vollständig nutzt, sind keine weiteren Annahmen des Modells und das Hinzufügen neuer Beobachtungen erforderlich und sie ist robust und effizient. Seit den 1980er Jahren, mit der Einführung der Computertechnologie in die statistische Praxis, erfreut sich diese Methode immer größerer Beliebtheit und wird häufig im Bereich des maschinellen Lernens eingesetzt.
Erstens kann Bootstrap das durch Kreuzvalidierung verursachte Stichprobenreduzierungsproblem durch Resampling vermeiden. Zweitens kann Bootstrap auch verwendet werden, um Zufälligkeit in den Daten zu erzeugen. Beispielsweise besteht der erste Schritt des bekannten Random-Forest-Algorithmus darin, k neue Bootstrap-Stichprobensätze mit Ersetzung mithilfe der Bootstrap-Methode zufällig aus dem ursprünglichen Trainingsdatensatz auszuwählen und dadurch k Klassifizierungs-Regressionsbäume zu erstellen.
Das obige ist der detaillierte Inhalt vonWas ist die Bootstrap-Methode?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
