统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。统计学习也称为统计机器学习（statical machine learning）。
统计学习的方法是基于数据构建统计模型从而对数据进行预测和分析。统计学习由监督学习、非监督学习、半监督学习和强化学习等组成。
统计学习方法包括假设空间、模型选择的准则、模型学习的算法，这些统称为统计学习方法的三要素：模型（Model）、策略（Strategy）、算法(Algorithm)。
模型
在监督学习过程中，模型就是索要学习的条件概率或者决策函数。模型的假设空间（hypothesis space）包含所有可能的太哦见概率或决策函数。假设空间用F表示
策略
有了模型的假设空间之后，需要考虑用什么样的准则来学习或者选择最优的模型。
统计学习常用的损失函数有：
算法
算法是指学习模型中的具体计算方法。
统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。 为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 本书是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘…
亲亲想要更多的辅导吗？需要专业老师的帮助吗？可以联系客服找Jessica哦，带给你不一样的服务【Jessica说】
