機器學習的樣本量要求JMP 對機器學習方法有樣本量要求嗎？
JMP有很多機器學習方法來擬合合適的模型，如果我們想用機器學習方法擬合模型，我們應該得到多少樣本？
或者樣本大小除以因子大小的值是否有規則？
例如樣本量至少是分類數據類型因子大小的 10 倍。
謝謝你的任何建議。
回复：機器學習的樣本量要求我當然同意 Phil 和 Mark 的說法。 另一個想法是，如果通過機器學習，您的客戶實際上意味著多元回歸模型（有或沒有高階項），那麼他們可以使用 DOE 菜單中的評估設計選項，這將為模型項提供功率估計，前提是他們可以表明真正的誤差變化。 否則請遵循 Phil 和 Mark 的指導。
回复：機器學習的樣本量要求我同意@Phil_凱. 請記住，ML 和 AI 方法適用於預測模型，而不是解釋模型。 推理不是目標，因此樣本量不是考慮因素。 此外，幾乎所有案例都涉及大數據，因此推理也沒有實際意義。 使用開發的指標來比較預測與交叉驗證的性能。 例如，AICc 可能在不止一種意義上是最好的。
回复：機器學習的樣本量要求嗨埃里克，
這是另一個我認為不可能給出明確答案的問題。
首先，並不是每個人都同意“機器學習”的相同定義。
對我來說，機器學習的一個重要部分是阻止驗證。 我告訴用戶您可能至少需要 100 行才能使用保留驗證。
如果您只有 2 或 3 個預測變量，您可能會使用較少行的 holdback。 但是由於預測變量的數量如此之少，可能不需要機器學習。
我不認為您可以根據預測變量的數量輕鬆說出多少行。 因為所需的行數也將是系統行為複雜性的函數，只有在擬合模型時您才能知道這一點。
當然，您還可以使用其他驗證方法來應用具有較少行的機器學習方法（k 折、SVEM）。
看看可能會有用這個演示案例研究。完整數據集有 4608 行。 只有 5 個預測變量，但它們是多級分類的，因此這是一個相當複雜的系統。 您可以隨機抽取樣本，以了解機器學習方法與傳統統計模型的比較情況。 我沒有進行嚴格的研究，但我驚訝地發現 ML 似乎比具有相當小樣本（~150 行）的標準模型做得更好。
我希望這有幫助，
菲爾
