趋近智
机器学习的概率与统计要点
章节 1: 概率基本原理回顾
样本空间与事件回顾
条件概率与独立性
贝叶斯定理讲解
随机变量概述
期望值与方差
概率原理在 Python 中的应用
第 1 章测验
章节 2: 常用概率分布
伯努利分布和二项分布
泊松分布
均匀分布
正态（高斯）分布
指数分布
数据建模中的性质与应用
在 SciPy 中使用分布
动手实践：模拟与绘制分布
第 2 章测验
章节 3: 数据集的描述性统计
集中趋势的度量：均值、中位数、众数
离散度量：方差、标准差、极差
理解偏度和峰度
百分位数和四分位数
相关性分析
区分相关性与因果关系
数据总结的可视化
使用 Pandas 计算描述性统计量
实践：总结数据集
第 3 章测验
章节 4: 推断统计：抽样与估计
总体和样本
抽样方法概述
中心极限定理
理解点估计
置信区间说明
计算均值的置信区间
动手实践：抽样模拟与区间估计
第 4 章测验
章节 5: 模型评估的假设检验
制定零假设与备择假设
理解第一类和第二类错误
P值说明
T检验简介
卡方检验介绍
方差分析 (ANOVA) 概述
使用 Python 进行假设检验
实践：将T检验应用于样本数据
第 5 章测验
章节 6: 回归分析简介
简单线性回归模型
最小二乘估计法
解读回归系数
模型评估指标 (R平方, 均方误差)
线性回归的假设
多元线性回归概述
使用Python构建回归模型
动手实践：拟合与评估线性模型
第 6 章测验
卡方检验介绍
这部分内容有帮助吗？
- Introduction to the Practice of Statistics, David S. Moore, George P. McCabe, Bruce A. Craig, 2021 (W. H. Freeman and Company) - 一本广泛使用的教材，对统计方法进行了基础而清晰的阐述，包括对拟合优度检验和独立性检验的卡方检验、其假设以及如何解释结果的详细说明。
- An Introduction to Statistical Learning: With Applications in R, Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, 2013 (Springer) - 本书对机器学习的统计方法进行了广泛介绍，为理解假设检验及其在分类问题特征选择等领域的应用提供了必要的统计背景。
scipy.stats.chi2_contingencyandscipy.stats.chisquareDocumentation, SciPy Developers, 2023 - SciPy 函数的官方文档，提供了在 Python 中执行独立性卡方检验和拟合优度卡方检验的实际实现方法，详细说明了其参数和在数据分析中的用法。
© 2025 ApX Machine Learning用心打造