全书复盘

本页用于在读完全书后做综合整理。阅读过程中也可以先把零散想法放在这里。

一句话总结

待补充。

模型地图

模型类别	代表方法	适用任务	优点	风险
线性模型	线性回归、Logistic 回归	回归、分类	易解释、基线强	线性假设限制
正则化模型	Ridge、Lasso	高维回归、变量选择	泛化更稳	调参依赖验证
非线性可解释模型	样条、GAM	非线性回归、分类	保留一定解释性	结构受限
树模型	决策树、随机森林、Boosting	回归、分类	处理交互和非线性	单树不稳，集成难解释
间隔模型	SVM	分类	边界清晰，核方法灵活	调参与解释成本
深度模型	神经网络、CNN、RNN	图像、文本、序列	表达能力强	数据需求大、解释困难
无监督方法	PCA、聚类	结构发现	无需标签	结果评价困难

最重要的十个问题

1. 训练误差和测试误差为什么不同？
2. 偏差-方差权衡如何指导模型选择？
3. 什么时候选择可解释模型，什么时候选择复杂模型？
4. 正则化为什么能改善泛化？
5. 交叉验证为什么是模型选择的核心工具？
6. 非线性方法如何在灵活性和可解释性之间折中？
7. 集成树模型为什么通常比单棵树更强？
8. 核方法如何绕开显式高维映射？
9. 无监督学习结果应如何解释和验证？
10. 多重检验为什么在高维问题中不可忽视？

与课程和实践的连接

• 概率论与数理统计：假设检验、方差、分布、估计。
• 线性代数：矩阵表示、投影、主成分。
• 数据科学：模型训练、评估、调参、可视化。
• 数学建模：特征选择、模型解释、误差分析。

待读后补充

• 全书知识图谱。
• 模型选择速查表。
• 常见数据任务到模型的映射。
• Python 实验复现清单。