machine-learning - 数据挖掘中的引导数据是什么？

Question

最近看到这个词，但实在不知道它指的是什么，在网上查了一下，但收效甚微。谢谢。

Answer 1

抽取您周六起床的时间样本。有些周五晚上你喝了太多酒，所以你很早就醒了(但又回去 sleep 了)。其他日子你会在正常时间醒来。其他日子你会睡懒觉。

结果如下:

[3.1、4.8、6.3、6.4、6.6、7.3、7.5、7.7、7.9、10.1]

您平均起床时间是几点？

现在是 6.8(点钟，即 6:48)。对我来说有点早。

对于您下周六何时醒来的预测有多准确？你能量化你可能犯的错误有多大吗？

这是一个相当小的样本，我们不确定底层过程的分布，因此使用标准参数统计技术可能不是一个好主意†。

为什么我们不随机抽取样本，计算平均值并重复此操作？这将使我们能够估计出我们的估计有多糟糕。

我这样做了好几次，平均值在 5.98 到 7.8 之间

这称为 Bootstrap ，由 Bradley Efron 于 1979 年首次提及。

一种变体称为“jackknife”，您可以在其中对除一个数据集之外的所有数据集进行采样，取平均值，然后重复。折刀平均值为 6.8(与算术平均值相同)，范围为 6.4 到 7.2。

另一种变体称为k 折交叉验证，其中您(随机)将数据集分成 k 个大小相等的部分，计算除一个部分之外的所有部分的平均值，然后重复 k次。 5 倍交叉验证平均值为 6.8，范围为 4 到 9。

† 这种分布确实是正态分布。均值的 95% 置信区间为 5.43 至 8.11，相当接近，但大于自举均值。