如何正确区分科学假设、统计假设和机器学习假设？

科学假设?什么是统计假设?什么又是机器学习假设呢?

虽然同为假说，这三个东西其实还真不太一样!

今天，文摘菌就带你来区分一下“假设”三兄弟。

了解完它们的区别后，你会对假设一词在不同领域会有更深刻的认识，对于更好的使用假设会有更深入的理解。同时。对于机器学习的入门者来说，这样一篇文章对于个人今后在该领域的发展就是如虎添翼。

通常，我们所理解的监督性机器学习，是一个类似于研究从输入映射到输出的目标函数问题。

这个过程可以被分为如何选取假设空间，以及评估候选的假设空间。

作为一个机器学习领域的初学者来说，假设这个词的概念可能让他们会产生困惑，有时会产生歧义，比如在统计领域我们会有假设检验，而在科学领域我们又会有科学假说。

这些定义互有关联，却不尽相同。一种对事物的解释。

它是一种凭借经验和知识所提出的猜测性想法，需要一定的评估依据。

一个好的假设是可验证的，验证结果有可能是对的，也可能是错的。

在科学界，假说一定是可以被证伪的，即通过观察检验结果，可以证实这个假说是错误的。同时，在验证结果出来之前，假说的框架结构一定要确定好。假说既能满足现有证据，又可以用来预测新的观察或新的情况。

一个假说如果说完全满足现有证据，同时可以被验证，那么它将会成为理论或者成为理论的一部分。

小结一下，科学假说是指符合证据、同时可以被证实或者被反驳的猜测性解释。

统计学中的假设又该如何定义呢?

大多统计问题是研究观测样本之间潜在关系。

统计学上的假设检验通常是计算产生“影响”的临界值，通过计算临界值可以来判定观测样本之间是否存在某种关系。

如果似然值很小，这种影响结果就可能会是真实的，如果似然值很大，那我们可能观测到了统计波动，这种影响可能并不真实。

举例来说，通过推断两组样本之间均值所存在的关系，可以判断它们是否具有相同的统计分布，或者它们之间又有哪些差异。

举个例子，我们可以假设两组样本的均值相同。

这种假设对我们来说没什么影响，也叫作零假设。通过假设检验，我们可以得到拒绝该假设或者保留该假设。即便我们不能拒绝零假设，也不等于我们接受零假设是对

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!