面试（4）：参数模型与非参数模型

1、概述

  LR是参数模型，SVM是非参数模型。
   参数模型、非参数模型（以及半参数模型）的概念应该源自于统计学中。统计专业课程《非参数统计》研究的对象就是秩检验、核密度估计等。
   在统计学中，参数模型通常假设总体（随机变量）服从某一个分布，该分布由一些参数确定（比如正态分布由均值和方差确定），在此基础上构建的模型称为参数模型；非参数模型对于总体的分布不做任何假设，只是知道总体是一个随机变量，其分布是存在的（分布中也可能存在参数），但是无法知道其分布的形式，更不知道分布的相关参数，只有在给定一些样本的条件下，能够依据非参数统计的方法进行推断。

   从上述的区别中可以看出，问题中有没有参数，并不是参数模型和非参数模型的区别。其区别主要在于总体的分布形式是否已知。 而为何强调“参数”与“非参数”，主要原因在于参数模型的分布可以由参数直接确定。

2、参数机器学习算法

   假设可以极大地简化学习过程，但是同样可以限制学习的内容。简化目标函数为已知形式的算法就称为参数机器学习算法。

   通过固定大小的参数集(与训练样本数独立)概况数据的学习模型称为参数模型。不管你给与一个参数模型多少数据，对于其需要的参数数量都没有影响。
— Artificial Intelligence: A Modern Approach，737页

参数算法包括两部分：

1. 选择目标函数的形式。
2. 从训练数据中学习目标函数的系数。

   对于理解目标函数来讲，最简单的就是直线了，这就是线性回归里面采用的形式：$$y=b_0+b_1\times x_1+b2\times x_2$$其中$b_0$、$b_1$和$b_2$是直线的系数，其影响直线的斜度和截距，$x_1$和$x2$是两个输入变量。
   把目标函数的形式假设为直线极大地简化了学习过程。那么现在，我们需要做的是估计直线的系数并且对于这个问题预测模型。
  通常来说，目标函数的形式假设是对于输入变量的线性联合，于是参数机器学习算法通常被称为“线性机器学习算法”。
  那么问题是，实际的未知的目标函数可能不是线性函数。它可能接近于直线而需要一些微小的调节。或者目标函数也可能完全和直线没有关联，那么我们做的假设是错误的，我们所做的近似就会导致差劲的预测结果。

参数机器学习算法包括：

• 逻辑回归
• 线性成分分析
• 感知机

参数机器学习算法有如下优点：

1. 简洁：理论容易理解和解释结果
2. 快速：参数模型学习和训练的速度都很快
3. 数据更少：通常不需要大量的数据，在对数据的拟合不很好时表现也不错

参数机器学习算法的局限性：
4. 约束：以选定函数形式的方式来学习本身就限制了模型
5. 有限的复杂度：通常只能应对简单的问题
6. 拟合度小：实际中通常无法和潜在的目标函数吻合

3、非参数机器学习算法

  对于目标函数形式不作过多的假设的算法称为非参数机器学习算法。通过不做假设，算法可以自由的从训练数据中学习任意形式的函数。

当你拥有许多数据而先验知识很少时，非参数学习通常很有用，此时你不需要关注于参数的选取。
— Artificial Intelligence: A Modern Approach，757页

  非参数理论寻求在构造目标函数的过程中对训练数据作最好的拟合，同时维持一些泛化到未知数据的能力。同样的，它们可以拟合各种形式的函数。
  对于理解非参数模型的一个好例子是k近邻算法，其目标是基于k个最相近的模式对新的数据做预测。这种理论对于目标函数的形式，除了相似模式的数目以外不作任何假设。

一些非参数机器学习算法的例子包括：

• 决策树，例如CART和C4.5
• 朴素贝叶斯
• 支持向量机
• 神经网络

非参数机器学习算法的优势：

1. 可变性：可以拟合许多不同的函数形式。
2. 模型强大：对于目标函数不作假设或者作微小的假设
3. 表现良好：对于预测表现可以非常好。

非参数机器学习算法局限性：
4. 需要更多数据：对于拟合目标函数需要更多的训练数据
5. 速度慢：因为需要训练更多的参数，训练过程通常比较慢。
6. 过拟合：有更高的风险发生过拟合，对于预测也比较难以解释。

能不能用简明的语言解释非参数（nonparametric）模型与参数（parametric）模型间的区别？

• 解释1：
    简单来说就是不对样本的总体分布做假设，直接分析样本的一类统计分析方法。
    pararmetric通常对样本进行统计分析的时候，首先要假设他们来自某个分布，然后用样本中的数据去estimate这个分布对应的参数，之后再做一些test之类。比如你假设某个样本来自同一个正态分布，然后用样本数据估算$\mu$和$\sigma$，再用估算出来的这两个值做test。
    non-pararmetric则不然，不对总体分布做假设，自然也就不必estimate相应的参数。

• 解释2：
    首先,任何一个模型( Model)的建立都有其基础或假设( Assumptions)。而参数模型( parametric models)和非参数( Nonparametric models)亦不例外：二者最主要的区别是关于数据分布的假设参数模型对数据分布( distribution, density)有假设,而非参数模型对数据分布假设自由( distribution-free),但是对数据必须可以排序(rank, score)。 所以回顾二者的名字 “参数”，即指数据分布的参数。
    之所以有这两种不同的模型,可以简要归纳为关于数据分布理想和现实的差距： 参数模型：对数据的分布( Distributions, or Density) 有理想的假设，模型更加 robust；然而现实的情况是,往往数据不足以提供给我们机会去判断分布、抑或本身没有明显的特征。这时,非参数模型,更加关注数据先后顺序( Ranks, Scores) 便显得更加 powerful
    其次，是方法上的区別：参数模型正如其名，利用数据的数量关系及其分布进行检验和预测( tests
  and inference)；然而，非参数模型(如果可能,可称作：排序模型( rank models)),利用数据本身的排序进行检验和预测。特别的，排序( ranks)是分数( scores)的一种特殊情况。
    从方法可以看出,非参数模型的建立亦有其假设,即对数据可以排序。换言之,如果数据中有相等
  量(ties),会影别响其排序,从而影响信度
    最后，反应在应用领成,二者基本平行。

  综合以上内容，从以下三点总结：

1. WHY: Different Assumption.
2. HOW: Different Method.
3. WHAT: Same Topics.

转载自https://blog.csdn.net/sinat_27652257/article/details/80543604