Mi a statisztikai tanulás

Két kérdés, két világ

Minden modellezési feladat mögött két, egymástól nagyon különböző szándék állhat. Az egyik az előrejelzés, amikor az érdekel, mit fog tenni a rendszer, például melyik ügyfél mond fel jövőre. A másik a megértés, amikor az érdekel, mely tényezők és hogyan hatnak, például mitől függ a felmondás. Az előrejelzésnél megengedhetünk átláthatatlan, de pontos modellt. A megértésnél az egyszerűbb, értelmezhető modell ér többet, még ha kicsit pontatlanabb is. A legtöbb üzleti vita a modellekről valójában erről a két szándékról szól, csak nem mondja ki senki.

Felügyelt és felügyelet nélküli tanulás

A felügyelt tanulásnál minden megfigyeléshez tartozik egy válasz, amit a modellnek el kell találnia, ár, kategória, kimenet. Ide tartozik a regresszió, ahol a válasz szám, és az osztályozás, ahol a válasz kategória. A felügyelet nélküli tanulásnál nincs válasz, csak adat, és a szerkezetét keressük, csoportokat, mintázatokat, tömörebb leírást. A kurzus első fele a felügyelt, a vége a felügyelet nélküli világot járja be, mert a gyakorlatban az előbbi a gyakoribb, az utóbbi pedig a felderítés eszköze.

Miért Python, és mi a munkamódszer

A Stanford kurzus tankönyve, az Introduction to Statistical Learning, ingyenesen letölthető, és minden fejezethez Python labor tartozik a szerzők saját ISLP csomagjával. A tanulás módja ezért kettős. Előbb megérted a módszer gondolatát, ábrákkal és intuícióval, matematikai mélységek nélkül, utána lefuttatod a laborban, valódi adaton. A következő leckékben mi is így haladunk, minden módszernél az lesz a kérdés, mikor használd, mitől romlik el, és miből veszed észre.

Források és további olvasnivaló

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani és Jonathan Taylor, An Introduction to Statistical Learning, with Applications in Python, Springer, a könyv a statlearning.com oldalon ingyenesen elérhető. A Stanford Online Statistical Learning with Python kurzusa Hastie és Tibshirani előadásában.