算法推理

算法推理收集了统计推理方法的新发展，这些方法因任何数据分析者广泛使用的强大计算设备而变得可行。这个领域的基石是计算学习理论、颗粒计算、生物信息学，以及很久以前的结构概率（Fraser1966）。主要的焦点是计算根植于随机现象研究的统计数据的算法，以及它们必须输入的数据量以产生可靠结果。这就把数学家的兴趣从研究分布规律转移到了统计数据的功能属性上，把计算机科学家的兴趣从处理数据的算法转移到了他们处理的信息上。

关于分布律参数的识别，成熟的读者可能会记得20世纪中期关于其变异性的解释的冗长争议，如费雪分布（Fisher1956）、结构概率（Fraser1966）、前值/后值（Ramsey1925）等等。从认识论的角度来看，这就需要对概率的性质进行配套的争论：它是通过随机变量来描述现象的物理特征，还是对现象的数据进行综合的方式？费舍尔选择了后者，他定义了一个给定随机变量参数的固定分布规律，并从其规格的样本中推导出来。通过这个定律，他计算出，例如"μ（高斯变量的平均值--meurnote）小于任何指定值的概率，或者它位于任何指定值之间的概率，或者，简而言之，根据观察到的样本，它的概率分布"。经典的解决方案费雪努力捍卫他的参数分布概念与类似概念的区别和优越性，如贝叶斯的后验分布、弗雷泽的构造概率和奈曼的置信区间。

半个世纪以来，Neyman的置信区间在所有的实践中胜出，这归功于概率的现象学性质。从这个角度来看，当你处理一个高斯变量时，它的平均值μ是由你所观察的现象的物理特征所固定的，其中观察值是随机运算符，因此观察值是随机样本的规格。由于它们的随机性，你可以从样本中计算出包含固定μ的特定区间，并以一定的概率表示信心。

让X是一个高斯变量，参数为在两个量级之间衡量T，并将其表达式倒置为一个函数有大小m=10，你计算统计数字{displaystyles_{sigma{2}}=46.07}，得到0.90的置信区间。

从建模的角度来看，整个争议看起来像一个鸡生蛋蛋生鸡的困境：要么先固定数据，把其属性的概率分布作为结果，要么先固定属性，把观察到的数据的概率分布作为推论。经典的解决方案有一个好处和一个缺点。前者在人们还在用纸和铅笔做计算的时候尤其受到赞赏。