知识卡片
参数与非参数模型的取舍
参数模型通常用固定维度的参数描述假设族;非参数方法的有效复杂度可随数据增长,例如近邻法保留样本供预测。两类方法都有假设,训练与预测成本也取决于具体算法和实现;选择函数形式本身不必然等于贝叶斯概率先验。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 分类器 · 查看原书依据
第一种分类器试着通过拟合一系列参数来找到数据的特征
参考来源
- 位置:《深度学习:从基础到实践(上下册)》第13章《分类器》(来源项目 `extracted/深度学习:从基础到实践(上下册)/_epub-src/text/part0020_split_002.html`)
- 结论依据:原文比较方法并用不同 K 的样本投票示例说明近邻法;模型假设与成本边界避免泛化原书表述。
- 原始内容:第一种分类器试着通过拟合一系列参数来找到数据的特征,就像我们可以用一条直线的一些参数来拟合这条直线一样。这种方法自然地被称为参数法。 参数法一开始需要一种对于分类方法的描述。换句话说,它需要假设一种要去寻找的临界条件。它