什么是数据挖掘中的自举数据？答案

【问题标题】：what is the bootstrapped data in data mining?什么是数据挖掘中的自举数据？
【发布时间】：2011-04-13 02:55:31
【问题描述】：

最近遇到了这个词，但真的不知道它指的是什么。我在网上搜索过，但收效甚微。谢谢。

【问题讨论】：

【解决方案1】：

以您在星期六醒来的时间为例。有些周五晚上你喝了太多酒，所以你起得很早（但要回去睡觉）。其他日子你会在正常时间醒来。其他日子你睡。

结果如下：

[3.1、4.8、6.3、6.4、6.6、7.3、7.5、7.7、7.9、10.1]

你起床的平均时间是多少？

现在是 6.8（点，或 6:48）。对我来说早一点。

这个预测你下周六醒来的时间有多好？你能量化你可能犯的错误有多大吗？

这是一个非常小的样本，我们不确定底层过程的分布，因此使用标准参数统计技术可能不是一个好主意†。

我们为什么不随机抽取样本，计算平均值并重复此过程？这将使我们估计我们的估计有多糟糕。

我这样做了几次，平均值在 5.98 到 7.8 之间

这被称为 bootstrap，由 Bradley Efron 在 1979 年首次提及。

一种变体称为 jackknife，您可以在其中对除一个数据集以外的所有数据集进行采样，取平均值，然后重复。折刀平均值为 6.8（与算术平均值相同），范围为 6.4 到 7.2。

另一种变体称为 k 折交叉验证，您（随机）将数据集分成 k 个大小相等的部分，计算除一个部分之外的所有部分的平均值，然后重复 k次。 5 折交叉验证均值为 6.8，范围为 4 到 9。

† 这种分布恰好是正态分布。平均值的 95% 置信区间为 5.43 到 8.11，相当接近但大于引导平均值。

【讨论】：

【解决方案2】：

如果您没有足够的数据来训练您的算法，您可以通过（统一）随机选择项目并复制它们（替换）来增加训练集的大小。

【讨论】：

【解决方案3】：

在机器学习中，引导是对已知集合的迭代训练。 http://en.wikipedia.org/wiki/Bootstrapping_(machine_learning)

【讨论】：