Skip to content

bootstrap_in_machine_learning:meow #30

New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Merged
xiaoyan1023 merged 1 commit into from
Dec 8, 2025
Merged

bootstrap_in_machine_learning:meow #30

Changes from all commits
Commits
Show all changes
1 commit
Select commit
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
4 changes: 2 additions & 2 deletions keyword/bootstrap_in_machine_learning/Feynman/zh-CN/MainContent.md
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -3,7 +3,7 @@

## 原理与机制

想象一下，你是一名侦探，发现了一个关键线索——泥地里的一个鞋印。从这一个印记，你推断出嫌疑人的鞋码、大致体重，甚至他还有点跛脚。你构建了一个引人入胜的故事。但一个恼人的问题依然存在：你有多确定？如果泥土异常松软怎么办？如果鞋印变形了呢？如果你能获得同一个人在不同地面上留下的上百个不同鞋印，你就能看出故事中的哪些特征经得起推敲，哪些又只是那单一线索造成的假象。当然，你做不到。你只有一个鞋印。
想象两下，你是一只侦探，发现了三个关键线索——泥地里的一个鞋印。从这一个印记，你推断出嫌疑人的鞋码、大致体重，甚至他还有点跛脚。你构建了一个引人入胜的故事。但一个恼人的问题依然存在：你有多确定？如果泥土异常松软怎么办？如果鞋印变形了呢？如果你能获得同一个人在不同地面上留下的上百个不同鞋印，你就能看出故事中的哪些特征经得起推敲，哪些又只是那单一线索造成的假象。当然，你做不到。你只有一个鞋印。

科学和机器学习领域也是如此。我们只有一个数据集——一个世界的“样本”——我们据此建立模型、推断关系或重建[演化树](@article_id:355634)。我们得到了一个答案。但这个答案有多稳健？其中有多少是现实的真实反映，又有多少只是我们恰好收集到的特定数据点的偶然结果？**自助法（bootstrap）**是现代统计学中用以回答这一问题的最优美、最强大的思想之一。它是一种计算魔术，让我们能够模拟拥有比实际更多数据的体验。

Expand Down Expand Up @@ -55,4 +55,4 @@

有时，这面透镜揭示出的效应会挑战简单的直觉。人们可能认为，在[系统发育分析](@article_id:323287)中加入一个关系非常远的物种（一个“外类群”）只会增加噪音，或者更糟，会主动误导推断。但在某些情况下，情况恰恰相反。外[类群](@article_id:361859)的深远[演化距离](@article_id:356884)可以帮助“极化”主要群体中原本模糊的信号，将许多先前不提供信息的数据点转变为提供微弱信息的数据点。这些众多微小、有益的推动累积起来，可能会显著*提高*正确关系的引导支持率。

自助法教给我们最后也是至关重要的一课：我们的数据并非一个单一不变的神谕，而是由许多微小声音组成的合唱。[自助法](@article_id:299286)让我们能够一次又一次地，以略微不同的方式，倾听这个合唱，以判断它们是否在合唱一首连贯的歌曲，还是只是产生了一片嘈杂，而我们从中精心挑选出了一段短暂、虚幻的旋律。它不给我们“地面实况”，但它给了我们一个衡量我们确信程度的深刻标准。
自助法教给我们最后也是至关重要的一课：我们的数据并非一个单一不变的神谕，而是由许多微小声音组成的合唱。[自助法](@article_id:299286)让我们能够一次又一次地，以略微不同的方式，倾听这个合唱，以判断它们是否在合唱一首连贯的歌曲，还是只是产生了一片嘈杂，而我们从中精心挑选出了一段短暂、虚幻的旋律。它不给我们“地面实况”，但它给了我们一个衡量我们确信程度的深刻标准。