我一直在研究方法选择的理论框架（注意：不是模型选择），却发现很少有系统的，基于数学的动机。“方法选择”是指一个框架，用于针对问题或问题类型区分适当的（或更好的，最优的）方法。
我发现，即使是零星的，也可以在特定方法及其调整（即贝叶斯方法中的优先选择）以及通过偏差选择（例如归纳策略：偏向选择的语用学）的方法选择上进行大量工作。在机器学习发展的这个早期阶段，我可能是不切实际的，但是我希望找到类似测量理论在按比例类型规定可允许的转换和测试的过程中所做的事情，只是在学习问题领域发挥了重要作用。
有什么建议么？
模型选择modelselection.org（过去20年的统计热点）和方法选择之间有什么区别？
—
罗宾吉拉德
尽管模型选择通常涉及基于分布的模型对模型进行评分，但要基于模型的拟合度并对其使用的参数数量（如la AIC和BIC）进行惩罚，而方法选择则更为笼统。方法选择涉及面对一个问题（例如测试，分类，预测），我们已经掌握了一些背景知识（已知变量（例如，独立性，数据类型），并且为其进行了辅助假设（例如，正态性，同方性） ，我们必须选择一种方法
—
约翰·泰勒
现在，根据测量类型，收敛结果，最优性和时间/空间复杂度，存在数学上的规定，但是我所知道的，没有关于它们的系统应用的框架。
—
约翰·泰勒
您能否举一个方法选择的示例，其中包含更多详细信息（可以链接到页面或论文，可以），这可以帮助我更精确地找出方法。在此先感谢
—
罗宾吉拉德
前面提到的论文通常介绍方法的选择。至于具体示例和更多细节，它们可能散布在特定的元方法学学科（测量理论，算法学习理论，统计学习理论，复杂性理论）中，但是我还没有找到系统的方法，因此就提出了问题。如果您希望全面讨论这些问题，可以通过gmail的johnnylogic给我发送电子邮件。
—
约翰·泰勒