机器学习中的参数与非参数技巧

在我们的以前文章中介绍过统计学习中预测和推理之间的区别。尽管这两种方法的主要区别在于最终目标，但我们都需要估计一个未知函数f。

换句话说，我们需要学习一个将输入(即自变量X的集合)映射到输出(即目标变量Y)的函数，如下图所示。

Y = f(X) + ε

为了估计未知函数，我们需要在数据上拟合一个模型。我们试图估计的函数的形式通常是未知的，因此我们可能不得不应用不同的模型来得到它，或者对函数f的形式做出一些假设。一般来说，这个过程可以是参数化的，也可以是非参数化的。

在今天的文章中，我们将讨论机器学习背景下的参数和非参数方法。此外，我们将探讨它们的主要差异以及它们的主要优点和缺点。ASP站长网

参数化方法

在参数化方法中，我们通常对函数f的形式做一个假设。例如，你可以假设未知函数f是线性的。换句话说，我们假设函数是这样的。

f(X) = β₀ + β₁ X₁ + … + βₚ Xₚ

其中f(X)为待估计的未知函数，β为待学习的系数，p为自变量个数，X为相应的输入。

既然我们已经对要估计的函数的形式做出了假设，并选择了符合这个假设的模型，那么我们需要一个学习过程，这个学习过程最终将帮助我们训练模型并估计系数。

机器学习中的参数化方法通常采用基于模型的方法，我们对要估计的函数的形式做出假设，然后根据这个假设选择合适的模型来估计参数集。

参数化方法最大的缺点是，我们所做的假设可能并不总是正确的。例如，你可以假设函数的形式是线性的，但实际上它并不是。因此这些方法涉及较不灵活的算法，通常用于解决一些不复杂的问题。

（编辑：焦作站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!