计算神经科学把大脑写成方程

知识地图 › 08 方法与工具 › 8.5

8.5

模型拟合、比较与可辨识性

Model fitting and comparison

★★★ 进阶方法统计

模型不是"越准越好",而是在拟合优度与复杂度之间做权衡,并检验参数是否可辨识。

核心要点

  1. 最大似然 + 交叉验证是金标准;AIC/BIC 提供复杂度的解析惩罚。
  2. 可辨识性:不同参数组合给出同一输出时,参数值没有解释意义。
  3. 模型比较应做"留一刺激 / 留一会话"的泛化检验,而非只看训练集拟合。

公式

AIC=2k-2lnL̂,

BIC=kln n-2lnL̂

k 为参数个数,n 为样本量;BIC 的惩罚随样本量增长,因此更倾向简单模型。

直觉

给足够多的参数,任何曲线都能拟合。真正的问题是"换一批数据还准不准"——这就是泛化。

常见误区

用 R² 比较非线性模型。对脉冲数据 R² 含义模糊,应使用对数似然或伪 R²(McFadden)。

出处

  • Burnham & Anderson 2002
  • Wilson & Collins 2019, eLife(建模实践指南)
回到模块 08