面白
.的广播: 话说,统计圈子批评P值几乎也已经成了月经贴,自己的顶刊也发过,nature什么的也上过。但问题是,统计圈子自己用再好的期刊去呐喊也是没用的,其他圈子不关注这些期刊,更不是一个山头。现在的学术圈生态,期待一个圈子改变另一个圈子,还是让很多人丢掉趁手工具的改变,只是美好幻想。所以喊归喊,用归用。以及机器学习为啥那么火,因为有新的忽悠点可以拉经费水paper,(你们看那么多领域在搞机器学习,有几项研究可以落地,有几项研究经得起可重复性检验?以及社科里的NLP和SNS的应用,多少不少调参调到好解释的结果解释一下)所以啊,只有找到了其他趁手的工具可以水paper,p值才会被替代。至于更复杂更加自定义的statistical inference,很多学科中大部分人是学不会的,学会了也不一定好用好出结果好发paper。而且统计学家给算法模型取名字取得太难听了,完全没机器学习里的算法听上去那么高大上。还记得前一阵子那个用神经网络预测地震的争议么,其中一个回复说我们就是验证神经网络可以用来预测地震,至于树类模型会不会更好,不是他们研究目标。如果回复里把神经网络替换成logistic模型,树类叫做OLS,这种回复是不是就很傻逼?可这就是一回事。gradient boosting method甚至随机森林和SVM用在结构化数据,而深度学习那些神经网络模型用在非/半结构化数据(图像、文字等)这是常识,如果用在结构化数据中,有时效果还不见的有lasso好,但架不住神经网络好听、时髦,可以忽悠同行,可以发paper。其实嘛,现状本来就不是这个方法那个方法本身带来的,今天有p值,明天就会有q值,z值什么的,今天有机器学习,明天就会有神仙学习。
什么是豆列 · · · · · ·
豆列是收集好东西的工具。
在网上看到喜欢的,无论它是否来自豆瓣,都可以收到你自己的豆列里,方便以后找到。
你还可以关注感兴趣的豆列,看看其他人收集的好东西。