Machine learning 机器学习模型能提供关于训练数据的平均值和标准偏差的信息吗？

考虑在数据集上训练的参数二元分类器（如逻辑回归、支持向量机等）（例如包含两个特征，例如血压和胆固醇水平）数据集被丢弃，经过训练的模型只能用作黑盒（无法从经过训练的模型中收集调整和内部信息）。只能提供一组数据点并预测其标签

是否有可能获得关于该模型训练数据集特征的平均值和/或标准偏差和/或范围的信息？若有，原因为何？如果没有，为什么我们不能

---

谢谢您的回复！：）

SVM不提供任何关于数据统计的信息，它是一个最大边距分类器，它在特征空间中寻找两个数据集之间的最佳分离超平面，作为“支持向量”的线性组合。如果使用内核函数，那么这种组合是在内核空间中，甚至不是在原始特征空间中。SVM没有一个简单的概率解释

逻辑回归是一种判别分类法，它对条件概率p（y | x，w）进行建模，其中y是你的标签，x是你的数据，w是特征。在最大似然训练之后，你只剩下w，它又是特征空间中的一个鉴别器（超平面），所以你不再有特征了

---

可以考虑以下几点。使用高斯分类器。假设你的类是由前一类概率p（y）产生的。然后类条件密度p（x | y，w）生成数据。然后根据贝叶斯规则，你将得到：p（y | x，w）=（p（y）p（x | y，w））/p（x）。如果将类条件密度p（x | y，w）定义为高斯，则其参数集w将由平均向量m和x的协方差矩阵C组成，假设它是由类y生成的。但是请记住，这将只在当前数据向量属于特定类的假设下起作用。以w为条件，更好的选择是平均向量：E[x | w]。这是x对p（x | w）的期望。它归结为类y=0和y=1的平均向量相对于其先前类概率的加权平均值。同样的方法也适用于协方差，但需要正确推导，我现在不是100%确定。

这个问题不是关于编程，而是应该在感谢时提出，我将尝试考虑贝叶斯规则和高斯分布，以了解如何处理这个问题。：）