# 批量学习（Batch Learning）

## 核心定义
批量学习（Batch Learning）是机器学习的主要范式之一，指模型在训练阶段一次性使用**全部可用数据**（或预定义的固定批次）进行参数更新，训练完成后模型立即固化，不再适应新数据。与之相对的是在线学习（Online Learning）和增量学习。该范式强调**离线、全量、一次性**的数据利用，适用于数据静态、计算资源充裕的场景。

## 关键技术点

1. **全数据集梯度计算**  
   每次迭代需遍历整个训练集以计算损失函数梯度，理论基础为经验风险最小化（ERM）。这确保了梯度估计的无偏性，但代价是内存占用大、训练时间长。

2. **离线训练与模型固化**  
   训练过程与推理完全分离。模型一旦训练完成，参数冻结，不再随新样本更新。适合数据分布稳定（如医学影像数据库）的应用，但对数据漂移（如新的病毒变异）鲁棒性差。

3. **计算资源瓶颈**  
   全数据集无法装入单机内存时，常采用**小批量（Mini-batch）** 变体作为折中方案。严格意义上的批量学习在现代大规模数据场景中已较少直接使用，但仍是理解优化理论（如批量梯度下降，BGD）的基石。

4. **泛化性能与收敛性**  
   由于梯度噪声小、下降方向稳定，批量学习通常能收敛到更平坦的极小值，从而获得更好的泛化性能，尤其在数据量适中的医学小样本问题中优势明显。

## 医学/神经科学应用场景

**场景**：首都医科大学神经病学系与附属医院研究团队利用批量学习构建**脑卒中早期预后预测模型**。  
- **数据**：基于5000例急性缺血性脑卒中患者的入院48小时内临床数据（NIHSS评分、梗死体积、年龄、血糖等）、多模态MRI影像以及随访90天mRS评分（改良Rankin量表）。  
- **方法**：采用批量学习训练的深度神经网络（DNN）对全量数据进行一次性优化。由于所有样本在训练时均被完整访问，模型能够充分捕捉复杂非线性关联（如“年龄×梗死体积×侧支循环”的交互效应）。  
- **结果**：测试集AUC达0.92，显著优于在线学习方法。该模型已部署于天坛医院急诊科，辅助医生在**黄金窗口期**快速筛选高复发风险患者，指导溶栓决策。  
- **优势**：相较于增量学习，批量学习保证了模型在静态数据集上的统计稳定性和可重复性，符合医疗器械审批对“固定算法版本”的监管要求。