文献解读：有监督的机器学习在心理学上的应用

最近看了一篇论文，写的比较系统，也比较基础，对复习强化有作用，顺便写下来分享给大家，文献原文贴在下面：

Rosenbusch, H., Soldner, F., Evans, A. M., & Zeelenberg, M. (2021). Supervised machine learning methods in psychology: A practical introduction with annotated R code. Social and Personality Psychology Compass, 15(2), e12579.

温馨提醒大家，文献中有所有提到方法的数据和代码，所以愿意钻研的同学自己可以去下载尝试的，有些东西你不动手，光看是学不会的。

机器学习模型

基本上大家看的多的基础的心理学文章，最常见的就是做个ordinary least-squares (OLS) regression，比如我要探讨哪两个个变量的关系了，我看看回归系数显著不显著，基本上就是这么玩儿的。

另一种玩法，稍微高端一点，得去考虑用显著的信息预测将来的变化，就用到机器学习的方法。

第一种玩法中，我们关心系数的大小和显著性，第二种玩法我们则关心预测的准确性。

怎么去评估一个预测模型的准确性呢？当然得把模型拉出来溜溜，就是说我们把训练好的模型要应用到新的数据上，通过将预测结果和真实结果进行对比从而评价准确性，这是基本思路，所以我们会划分训练集和测试集。

作者举了个例子来说明这种思路对心理学研究的重要意义：前人已经发现了睡眠不足对自杀意向有显著影