传统统计机器学习方法

传统统计机器学习方法是人工智能领域的重要组成部分，主要基于统计学和优化理论构建，具有可解释性强、适用于中小规模数据集的特点。以下是主要分类及代表性方法：

一、监督学习方法

1. 回归分析

2. 分类算法

3. 集成学习

二、无监督学习方法

1. 聚类分析

2. 降维技术

三、核心特点

1. 依赖特征工程：需人工构建有效特征

2. 理论基础强：多数方法源于统计学（如贝叶斯定理、最小二乘法）

3. 计算效率高：相比学习更适合资源受限场景

4. 可解释性：模型决策过程通常可追溯（如决策树规则）

典型应用场景包括信用评分（逻辑回归）、文本分类（SVM）、推荐系统（KNN）等。这些方法在《统计学习方法》等经典著作中有系统阐述。