bootstrap再抽样_【机器学习】Bootstrap详解

最新推荐文章于 2025-01-08 13:59:08 发布

冰淇淋红茶全糖

最新推荐文章于 2025-01-08 13:59:08 发布

阅读量2.4k

点赞数

文章标签： bootstrap再抽样

本文链接：https://blog.csdn.net/weixin_33662445/article/details/111952551

版权

Bootstrap是一种非参数统计方法，由Bradley Efron提出，常用于统计推断和机器学习。它通过有放回的重抽样生成新样本，可以避免交叉验证带来的样本减少问题，并用于创建数据的随机性，如随机森林算法。Bootstrap能估计统计量的多种特性，如方差、中位数，不仅估计值，还能估计其精度。在资产配置问题中，Bootstrap方法可以更准确地估计风险和优化投资组合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Bootstrap简介Bootstrap方法是非常有用的一种统计学上的估计方法，是斯坦福统计系的教授Bradley Efron(我曾有幸去教授办公室约谈了一次)在总结、归纳前人研究成果的基础上提出一种新的非参数统计方法。Bootstrap是一类非参数Monte Carlo方法,其实质是对观测信息进行再抽样，进而对总体的分布特性进行统计推断。

因为该方法充分利用了给定的观测信息，不需要模型其他的假设和增加新的观测，并且具有稳健性和效率高的特点。1980年代以来，随着计算机技术被引入到统计实践中来，此方法越来越受欢迎，在机器学习领域应用也很广泛。

首先，Bootstrap通过重抽样，可以避免了Cross-Validation造成的样本减少问题，其次，Bootstrap也可以用于创造数据的随机性。比如，我们所熟知的随机森林算法第一步就是从原始训练数据集中，应用bootstrap方法有放回地随机抽取k个新的自助样本集，并由此构建k棵分类回归树。

具体讲解

下面我们用一个例子具体介绍bootstrap的原理和用法：

假设我们有两个金融资产X和Y，我们现在想要合理配置这两个资产，使得其资产组合的风险最小。也就是找到一个

，使得

最小。这个问题几十年前马尔可维茨已经在其投资组合理论里给出了解答，最优的

表达式如下：

但是现实生活中实际上我们并不知道