我对机器学习相对较新,并且正在尝试将决策树归纳纳入事物的宏伟计划中。决策树(例如,使用 C4.5 或 ID3 构建的决策树)是否被视为参数或非参数?我猜想它们可能确实是参数化的,因为实际值的决策分割点可能是从特征值的某些分布中确定的,例如均值。但是,它们不具有必须保留所有原始训练数据的非参数特征(就像使用 kNN 所做的那样)。
问问题
6602 次
2 回答
10
术语“参数”是指定义数据分布的参数。由于 C4.5 等决策树不对数据的分布做出假设,因此它们是非参数的。高斯最大似然分类 (GMLC) 是参数化的,因为它假设数据遵循多元高斯分布(类由均值和协方差表征)。关于你的最后一句话,保留训练数据(例如,基于实例的学习)并不是所有非参数分类器都通用的。例如,人工神经网络 (ANN) 被认为是非参数的,但它们不保留训练数据。
于 2012-12-12T18:37:58.250 回答
5
术语参数是指模型的参数数量与数据之间的关系。
如果参数的数量是固定的,则模型是参数化的。
如果参数的数量随着数据的增长而增长,则模型是非参数的。
决策树是非参数的,但如果你限制它的大小以进行正则化,那么参数的数量也会被限制并且可以被认为是固定的。因此,决策树并不是那么明确。
KNN 绝对是非参数的,因为参数集就是数据集:要预测新的数据点,KNN 模型需要访问训练数据点,而无需访问其他任何东西(超参数 K 除外)。
于 2019-06-01T21:02:50.583 回答