ESL3.1 导言

3.1 导言

这是一篇有关《统计学习基础》，原书名The Elements of Statistical Learning的学习笔记，该书学习难度较高，有很棒的学者将其翻译成中文并放在自己的个人网站上，翻译质量非常高，本博客中有关翻译的内容都是出自该学者的网页，个人解读部分才是自己经过查阅资料和其他学者的学习笔记，结合个人理解总结成的原创内容。
有关ESL更多的学习笔记的markdown文件，可在作者GitHub上查看下载。

原文	The Elements of Statistical Learning
翻译	szcf-weiya
时间	2018-08-21
解读	Hytn Chen
更新	2020-02-12

翻译原文

!!! note “更新笔记”
@2017.10.31 发现第一次翻译的太粗糙了，实在惭愧；隔了这么久竟也不经常回头看看．

线性回归模型假设回归函数 $\mathrm{E}(\mathrm{Y}\mid \mathrm{X})$ 关于输入变量 $X_1,X_2,\dots ,X_p$ 是线性的．虽然线性模型大部分是在统计学的 前计算机时期 (precomputer age of statistics) 发展的，但即使在今天的 计算机时代 (computer era) 仍然有很好的理由去学习、使用线性模型．

!!! note “weiya 注：统计推断的历史发展”
Bradley Efron 和 Trevor Hastie 在 2016 年出了一本书 Computer Age Statistical Inference，按照历史发展介绍了统计推断．按照那本书的划分，第一部分为 Classical Inference，第二部分为 Early Computer Age(1950s-1990s)，第三部分为 Twenty-First-Century(1900s-present)．

因为它们简单，而且经常能够对输入变量怎样影响输出变量这一问题给出充分的、可解释性的描述．做预测时，线性模型有时比 更花哨的 (fancier) 非线性模型表现得还要好，特别是在 训练样本 (training cases) 很少、低信噪比或者稀疏数据的情况下．

最后，线性方法可以应用到输入变量的变换上，这在很大程度上扩大了其使用范围．这些推广有时被称作基函数方法，将在第 5 章中讨论．

这一章中我们描述用于回归的线性方法，下一章我们将讨论用于分类的线性方法．在某些主题上我们将详细讨论，因为我们坚信理解线性方法对于理解非线性是至关重要的．实际上，许多非线性技巧是线性方法的直接推广．