谷恒明，胡良平,2(.军事医学科学院生物医学统计学咨询中心，北京 00850；2.世界中医药学会联合会临床科研统计学专业委员会，北京 00029 通信作者：胡良平，E-mail：lphu82@sina.com)

1 机器学习回归分析方法概述

1.1 何为机器学习

机器学习脱胎于人工智能[1]，后者使“那些对人类智力来说非常困难、但对计算机来说相对简单的问题得到迅速解决”。人工智能的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务[2]。谁有能力“让计算机从经验获取知识，可以避免由人类来给计算机形式化地指定它需要的所有知识”？机器学习或深度学习具有这个能力。它致力于研究如何通过计算的手段，能够根据已有的输入数据进行学习，利用经验来改善系统自身的性能。具体地说，它是关于在计算机上从数据中产生“模型”的算法，即“学习算法”(learning algorithm)[3-4]的一门学问。

1.2 机器学习方法能解决的统计学问题

不难想象，对于统计表达与描述、基于检验统计量进行假设检验和相关性分析等问题，一般只需要采用经典统计方法、偶尔采用贝叶斯统计方法就可解决。而对于回归分析、判别分析和样品聚类分析等问题，虽然经典统计和贝叶斯统计常常也可以处理得令人比较满意，但若采取适当的机器学习方法(注意：具体的方法有很多种，如决策树、支持向量机、神经网络、集成学习和随机森林等[5])，常能产生意想不到的结果，尤其是在对资料前提条件的“零要求”和结果具有极高精准度等方面，更显示出极大的优越性。……