灵活的统计方法为健康、气候和财务数据研究提供动力
如果没有支撑其分析能力的统计模型，机器学习和人工智能就不可能实现。康奈尔大学的一位统计学家和他的同事开发了一种革命性的新方法来分析复杂的数据集，这种方法更灵活、更准确、更易于使用。
来源:英国物理学家网首页如果没有支撑其分析能力的统计模型，机器学习和人工智能就不可能实现。康奈尔大学的一位统计学家和他的同事开发了一种革命性的新方法来分析复杂的数据集，这种方法更灵活、更准确、更易于使用。
Dan Kowal 是统计学和数据科学副教授，该系是农业与生命科学学院和康奈尔大学 Ann S. Bowers 计算机与信息科学学院的共享系，也是《半参数贝叶斯回归的蒙特卡罗推断》的主要作者，该书于 10 月 1 日发表在《美国统计协会杂志》上。合著者是 Bohan Wu，现在是哥伦比亚大学的博士生。
数据科学 已发布 美国统计协会杂志“这种方法让人们在处理杂乱的数据并试图解开各种影响的复杂性时更加强大，”Kowal 说。“我希望人们使用可靠的模型，这样他们才能真正从噪音中找出信号。我们通过经验发现，这种方法可以在各种不同的数据类型、分布和设置中做到这一点。作为一名统计学家，这种贡献让我感到兴奋。”
贝叶斯回归分析使研究人员能够预测一系列结果，而不是单一的估计值。Kowal 的模型专门用于分析不能很好地拟合钟形曲线的“杂乱数据”，他说。它可以分析和预测各种各样的主题，包括医疗保健利用率、家庭收入、金融市场和气候事件。
医疗保健利用率 心理健康“有了这样的数据，你会得到这些反应的峰值，这些峰值更多的是关于自我报告，而不是数据本身，”他说。
网站 免费、可下载的软件 更多信息： 美国统计协会杂志 引用