Model Selection

释义 Definition

“Model selection” 指在统计学与机器学习中，根据数据与评价标准（如预测误差、信息准则等）在多个候选模型中选择最合适的模型或模型复杂度的过程。常见于回归、分类、时间序列等任务中。（在其他语境下也可泛指“对模特/模型的挑选”，但最常见用法是前者。）

发音 Pronunciation (IPA)

/ˈmɑːdəl səˈlɛkʃən/

例句 Examples

Model selection helps us choose the best algorithm for the dataset.
模型选择帮助我们为这份数据集挑选最合适的算法。

Through cross-validation and an AIC-based comparison, the team performed model selection to balance accuracy and interpretability.
团队通过交叉验证并结合基于 AIC 的比较进行模型选择，以在准确性与可解释性之间取得平衡。

词源 Etymology

该短语由 model（模型）与 selection（选择）组合而成。Model 源自拉丁语 modulus（“尺度、度量的标准”），后来引申为“范式/模型”；selection 来自拉丁语 selectio（“挑选”）。在现代统计与机器学习语境中，“model selection”固定用来指“从候选模型中挑选最佳者”的方法体系。

相关词 Related Words

• AIC
• BIC
• Cross-Validation
• Feature Selection
• Generalization
• Hyperparameter Tuning
• Overfitting
• Regularization
• Underfitting

文学与著作 Literary Works

• The Elements of Statistical Learning（Hastie, Tibshirani, Friedman）——在监督学习章节中系统讨论模型复杂度、偏差-方差权衡与模型选择方法。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——多处使用“model selection”讨论贝叶斯方法、证据近似与验证策略。
• An Introduction to Statistical Learning（James, Witten, Hastie, Tibshirani）——以教学化方式介绍交叉验证、正则化路径与模型选择的实践流程。