🏫统计建模的三大学派：频率学派、贝叶斯学派与机器学

type
status
date
slug
summary
tags
category
icon
password
comment

学派总览

在现代统计与数据科学领域，主流建模思想大致分为三大学派：频率学派（Frequentist）、贝叶斯学派（Bayesian）和机器学习学派（Machine Learning）。三者有各自的理论基础与适用场景。

频率学派（Frequentist）

基本思想
概率等于大量重复实验中事件发生的频率。参数被视为固定的未知量，数据是观测的随机变量。
方法特点
  • 不引入主观信念和先验知识
  • 通过假设检验、置信区间等方法推断参数
  • 强调实验的可重复性和客观性
工具与应用
统计工具箱中许多最著名的工具，例如p值和置信区间，都源自频率统计。它通常被认为是一种更客观的方法，非常适合用于分析实验数据。
实际例子
例如抛一枚硬币无数次，正面朝上的比例就是其概率。研究中常用t检验、方差分析等属于此范畴。

贝叶斯学派（Bayesian）

基本思想
概率是对不确定性的度量，既可以基于客观数据，也可以结合主观信念。参数本身也是随机变量，可以通过概率分布描述。
方法特点
  • 明确引入先验知识（Prior）
  • 使用贝叶斯公式结合新数据修正原有认知，形成后验分布（Posterior）
  • 允许推断过程不断动态更新
工具与应用
贝叶斯统计被认为更灵活、适应性更强，因为它允许纳入先前的知识和信念，并可以随着新证据的出现而更新。这使得它非常适合需要纳入主观信息或随着新数据出现而动态修正预测的情况。
实际例子
如对新药疗效的认知，会基于既往研究（先验）加上新试验结果，形成不断修正的概率判断。A/B测试中的贝叶斯方法也很常见。

机器学习学派（Machine Learning）

基本思想
不太关注概率的严格解释，更强调模型的泛化能力和预测准确率。重视算法自动从数据中学习规律。
方法特点
  • 以预测效果为核心
  • 强调数据驱动和模型优化
  • 既有受频率学派影响的算法，也有贝叶斯流派的模型
工具与应用
机器学习学派的特点是专注于开发算法和计算工具，用于自动识别数据中的模式并基于这些模式进行预测。这种学派强调实用性和数据驱动，严谨性较低。方法的评估标准，是对测试数据集的预测效果，而不是其理论属性。近年来，这一学派的一部分被重新命名为人工智能（AI）。
实际例子
训练神经网络识别图片中的猫狗时，只关注最终的准确率，参数本身的统计解释并不重要。

主要区别总结

学派
概率定义
参数视角
推断方式
先验知识
典型应用
频率学派
长期频率
固定未知值
置信区间、假设检验
不考虑
传统统计推断、医学
贝叶斯学派
主观信念
随机变量
后验分布、贝叶斯定理
明确引入
动态建模、小样本场景
机器学习
不强调/混合
任意
预测为主
一般不考虑
图像识别、预测任务

学习建议

  • 选择方法时，如果追求科学推断的严谨性，频率学派是基础。
  • 如果样本较少或有丰富的先验信息，贝叶斯方法更灵活。
  • 面对大数据与实际工程问题，机器学习思路通常更高效。
  • 建议全面了解三大流派，实际中可以灵活结合，提升建模思维。
写在最后
理解统计学三大学派的基本逻辑，有助于我们根据不同数据与问题背景选择最合适的分析方法。建模的目的不是炫技，而是更好地认知世界、做出决策。
Prev
频率表、比例表与列联表
Next
Cohort study VS Case-control
Loading...
Article List
Evan の Logbook
✨ Updates
🌐 Logbook v0.1.0.9000 上线
🎨 Style Guide
Lazy loaded image Font · 字体记录手册
🧠 Creative Resources
Lazy loaded image Name · 名以载道
🗒️ Mind Notes
Lazy loaded image Quote · 字里行间
🧭 Knowbase
Lazy loaded image Biorxiv 与预印本
Lazy loaded image H-1B 签证
🕊️ 鸽派、鹰派、左派、右派
📘 SOPs
🆕 创建 Google 账号
🌍 生成境外地址
🍎 创建美区 Apple ID
🧠 注册与订阅 ChatGPT
🤖 NFC读写器操作流程
🩺 Medical Research
🇬🇧 UK Biobank 数据库介绍与申请
Lazy loaded image BioRender 使用与订阅笔记
📦 scRNAseq
📝 AUCell 流程笔记（GSE60361 小鼠脑示例）
🏢 Cohort study VS Case-control
🛠️ Tech Chronicles
☑️ Typora · 安装与使用指南
📂 LocalSend · 跨设备文件传输的神兵利器
🌏 Immersive Translate · 打造沉浸式翻译体验
🐬 WSL： 使用笔记
Lazy loaded image 自定义 Bash 提示符（PS1）
Lazy loaded image Linux 系统介绍
Lazy loaded image Linux grep 工具笔记
Lazy loaded image Linux sed 工具笔记
Lazy loaded image Linux awk 工具笔记
Lazy loaded image CSS 笔记
Lazy loaded image 文件夹前加点的意义
Lazy loaded image HTML 格式笔记
Lazy loaded image XML 格式笔记
Lazy loaded image TOML 格式笔记
Lazy loaded image PR 模板解读与最佳实践
Lazy loaded image YAML 格式笔记
Lazy loaded image JSON 格式笔记
Lazy loaded image YouTube 使用笔记
Lazy loaded image Writage 使用笔记
Lazy loaded image Pandoc 使用笔记
Lazy loaded image Chrome 使用全攻略
Lazy loaded image Vibe Coding：一种新的编程氛围？
🧭 从混乱到规范：文件命名、变量命名与版本控制最佳实践
🚀 科学上网指南：信息时代的通行证
📦 pip 与 uv：Python 包管理的演进与取舍
💰 Fortune Blueprint
📗 期权基本概念
期权交易策略
🕟 美股交易时间指南
📈 R Visionary
Lazy loaded image R 的 future 包（异步与并行）
Lazy loaded image R 中加载与使用系统字体
Lazy loaded image R 中的数据类型完整指南
Lazy loaded image R 与 RStudio 安装笔记
🔃 purrr 包学习笔记
🔁 apply 家族核心函数
📁 list.files
📊 用 readxl 读取 Excel：实践指南 + 可复用增强函数
Lazy loaded image make_date() & make_datetime()：从字段构造时间对象
📦 为什么使用 lubridate？
⏳ ISO 8601 国际时间标准
Lazy loaded image 分类变量处理 - forcats
📏 separate_wider_position()：按固定宽度横向拆分为多列
📐 separate_wider_delim()：按分隔符拆分为多列
🪓 separate_longer_position()：按固定宽度切分为多行
Lazy loaded image pmin() & pmax()：向量按元素逐位比较
🔢 parse_double() vs parse_number()
Lazy loaded image geom_tile()：构建热图 / 网格图的砖块图层
🎨 常用美学参数详解：position, fill, alpha 等
Lazy loaded image facet_wrap() 与 facet_grid() 用法解析
🌳 高亮特定数据子集：多图层叠加法
Lazy loaded image 三种 geom_smooth() 写法解析
🔻 geom_smooth() 的 shape 限制
🎨 ggplot2 颜色映射
Lazy loaded image ggplot2 的 shape 限制与解决方案
Lazy loaded image R语言字符串大小写变换
Lazy loaded image R语言数字取整与格式化。
Lazy loaded image gtsummary 回归模型
Lazy loaded image gtsummary + gt：R语言三线表实践
🔁 pivot_wider()：长表 → 宽表（long → wide）
🔢 parse_number()：提取字符串中的数字
🔁 pivot_longer()：宽转长（wide → long）
⚡ .by：轻量级分组操作的新方式
🔓 ungroup()：取消分组结构
✂️ slice() 系列函数：按位置切片提取行
🧮 group_by()：分组操作的基础
🧭 relocate()：调整列顺序
Lazy loaded image select()：灵活选择列
📲 mutate()：创建新列 + 控制列位置与保留
🔢 count()：快速计数分组频次
Lazy loaded image dplyr包的distinct()函数
🔺 ggplot2 点形状（shape）
Lazy loaded image ggthemr：为 ggplot2 一键换肤
Lazy loaded image ggthemes 常用主题
🔬 msigdbr 包
📈 CMplot 绘制曼哈顿图
Lazy loaded image SMR 共定位分析
🧬 coloc R 包实用笔记与数据格式梳理
📊 ggpubr - 让科研图表高效“出版就绪”的R扩展包
🎨 ggpubr::theme_pubr - 出版级 R ggplot2 主题美化指南
✂️ 用 patchwork 优雅组合你的 ggplot2 图表
🔤 R 正则表达式语法与字符串操作速查
📐 R基础数学与统计函数速查
📚 R包管理基础：.libPaths() 与 library()
📦 R工作空间对象管理：ls 与 rm
🔗 R集合归属与反归属运算符：%in% 与 %nin%
🕳️ R缺失值与空值处理（na.omit & evanverse::is_void）
🔎 R字符串匹配 grep 与 grepl 实用技巧
📊 R基础数据结构与分布探索技巧
↕️ R常用向量操作与排序技巧
🔍 R匹配函数 match 的实用技巧
🔗 R字符串拼接 paste/paste0 典型用法
Lazy loaded image R集合操作与典型用法
Lazy loaded image R apply函数速查与典型用法
Lazy loaded image R变量命名规范与覆盖机制
➗ R取余、整除与分批处理技巧
Lazy loaded image R设置CRAN与Bioconductor镜像速查
Lazy loaded image R版本升级与包迁移实用指南
Lazy loaded image R查询当前环境和包信息（sessionInfo）
Lazy loaded image 创建文件夹与目录管理基础
Lazy loaded image RStudio常用快捷键与界面恢复技巧
Lazy loaded image 提取字符向量子串的实用技巧
Lazy loaded image 高效读取表格与大文件：fread与自定义read_table_flex
Lazy loaded image foreach包批量循环
Lazy loaded image R基因ID转换与批量注释
Lazy loaded image R批量获取和筛选文件名
Lazy loaded image R常用序列与模拟数据生成
Lazy loaded image R数据框（df）条件筛选实用技巧
Lazy loaded image R Visionary - Introduction
📊 Statistics
Lazy loaded image Survival Analysis
Lazy loaded image 方差分析（ANOVA）
Lazy loaded image 多因素逻辑回归
Lazy loaded image 单因素逻辑回归
Lazy loaded image R语言中的常见统计分布及其应用
Lazy loaded image 数据分析的可复现性：原则与实践
📂 p值操纵与文件抽屉
Lazy loaded image 如何规范报告统计结果？
Lazy loaded image 相关性检验
Lazy loaded image 多重检验（Multiple Testing）
Lazy loaded image t 检验（t-test）
Lazy loaded image 置信区间 (Confidence Intervals)
Lazy loaded image 卡方检验（Chi-squared Test）
Lazy loaded image 统计功效（Power）与样本量（Sample Size）
Lazy loaded image 假设检验 & p值
Lazy loaded image 频率表、比例表与列联表
🏫 统计建模的三大学派：频率学派、贝叶斯学派与机器学
Lazy loaded image t-test: Principles and Application in R
🖼️ BioVis
🎄 Forestplot in R