有个问题，想请教一下各位大佬，是关于计算机编程中的联结模型应用的问题。具体场景：我把一段数据分析处理流程的代码注释，以纯文字的形式导入到“知识分析”下，比如分析“偏度”这一概念，判别模型的部分我还可以理解，就是判别这个数据分析概念下。
我可以理解，一般输入空间是否属于偏度还是不属于偏度。但是联结模型的输入和输出部分就有十几个维度，是我对于这个编程实现的基础相关概念的学习需要进行更系统的建构多个概念之间的联系吗？感觉这一块一旦涉及到多个概念之间的分析，我就没啥处理的思路。
就是在多个学科的一般性输入空间交叉的部分，处理起来就没有太多的参考案例，不知道如何更好的处理。编程中涉及到了，算法的实现、数据结构的划分、逻辑判断的步骤，然后统计学实现的部分，要关注相关统计指标的分析、相关统计学概念理解，还涉及到要分析的具体业务场景下一些判别模型，就处理起来很棘手。
就处理单一维度下，不超过四对的映射关系输入输出，我还可以梳理清楚，但是对应的映射关系数量太多，就应该如何更有层次的处理呢？
分两种情况处理：
一、维度非必要：
AI的联结模型分析有时候会把其它「非必要的维度」也加上，这种维度可以通过其它维度推测出来。对于这种情况，你可以不必非要掌握这个维度。如何判断？就看例子中是不是非要这个维度不可。
二、维度必要：
有的知识，它的维度就是那么多，每个维度都是必要的，那你就必须全部掌握了。
例如，余弦定理中，可以说是有三个维度：三角形的两个边长和夹角
【余弦定理 - 渐构 Modevol】
1 个赞
你遇到的是联结模型复杂度的难题，这是对象关系本身的复杂度引起的，不能简单的把相关问题聚合成一个超多维的向量去处理，毕竟人脑不是电脑。这种问题建议还是从分析概念之间的关系入手。
你遇到的问题是计算机编程中关于某数据分析算法的实现问题。计算机编程是人的一种实践活动，通常有三个步骤：概念建模、数学建模、程序建模。在研究具体算法之前要首先明确现实对象的范围、关系（概念建模），再用数学语言对关系进行描述（数学建模），最后才是编程实现（程序建模）。具体到数据分析这个问题上，数据分析是人的一种认识世界的活动，活动的输入是某些观测到的现象（用数据进行量化表示），输出是这些数据的某些特征（如偏度、峰度等）。接下来要查看偏度或峰度的评估方法，找出相关的数学公式，明确公式中每个变量的指代。最后在程序模型中设计恰当的数据结构，并在该结构上设计算法实现公式中要求的计算。最最后就是用一种程序语言编码实现该分析过程。
你的问题出在概念模型和数学模型没有弄懂，至少是不瓷实，再混上具体的程序算法实现就蒙圈了。建议通过概念图的方式来梳理上述各种概念之间的关系。注意，分析时不要想着所谓的判别模型和联结模型，也不要想着这些学来有什么用，只想着这些概念间的关系即可。于博在课程里也曾经强调过，联结模型中的关系是更重要的。实际上，判别模型也是一种关系的表达，是此概念与其他概念之间的种属、关联等关系的反映。