精华内容
下载资源
问答
  • 参数检验与非参数检验的区别

    万次阅读 2019-05-11 18:21:10
    参数检验与非参数检验的区别 1,参数检验是针对参数做的假设,非参数检验是针对总体分布情况做的假设,这个是区分参数检验和非参数检验的一个重要特征。 2,二者的根本区别在于参数检验要利用到总体的信息(总体...

    参数检验与非参数检验的区别

     

    1,参数检验是针对参数做的假设,非参数检验是针对总体分布情况做的假设,这个是区分参数检验和非参数检验的一个重要特征。

    2,二者的根本区别在于参数检验要利用到总体的信息(总体分布、总体的一些参数特征如方差),以总体分布和样本信息对总体参数作出推断;非参数检验不需要利用总体的信息(总体分布、总体的一些参数特征如方差),以样本信息对总体分布作出推断。

    3,参数检验只能用于等距数据和比例数据,非参数检验主要用于记数数据。也可用于等距和比例数据,但精确性就会降低。

    非参数检验往往不假定总体的分布类型,直接对总体的分布的某种假设(例如如称性、分位数大小等等假设)作统计检验。最常见的非参数检验统计量有 3类:计数统计量、秩统计量、符号秩统计量

    ------------------------------------------------------------------------

    补充

    非参数检验

    1. 不需要对总体分布作任何事先的假设(如正态分布) 2. 从检验内容上说,也不是检验总体分布的某些参数,而是检验总体某些有关的性质,所以称为非参数检验 3. 前面进行的假设检验和方差分析,大都是在数据服从正态 分布或近似地服从正态分布的条件下进行的。但是如果总体的 分布未知,或对总体分布知之甚少的情况下,如何利用样本信息 对总体分布形态做出推断? 非参数检验 -指推断过程不涉及总体 分布中的参数

     

    转载自

    https://zhidao.baidu.com/question/327567757.html?qbl=relate_question_1&word=%B2%CE%CA%FD%B9%C0%BC%C6%D3%EB%B7%C7%B2%CE%CA%FD%B9%C0%BC%C6%C7%F8%B1%F0

    展开全文
  • 参数与非参数估计

    2015-06-04 17:13:15
    很好的参数估计和非参数估计的资料,希望有用的同学需要时下载完善
  • 参数检验与非参数检验

    千次阅读 2019-11-05 20:53:27
    参数检验:若样本所来自的总体为分布已知的数学形式(如正态分布),对其总体参数进行假设检验,则称为参数检验。 参数检验的特点: 分析目的:对总体参数(μ π)进行估计或检验。 分 布:要求总体分布已知,如:...

     

    参数检验:若样本所来自的总体为分布已知的数学形式(如正态分布),对其总体参数进行假设检验,则称为参数检验。

    参数检验的特点:
    分析目的: 对总体参数 ( μ π ) 进行估计或检验。
    分    布: 要求总体分布已知,如:
    连续性资料  ——  正态分布
    计 数 资 料  ——  二项分布、 POISSON 分布等
    统 计 量: 有明确的理论依据( t 分布、 u 分布)
    有严格的适用条件 ,如:
    正态分布         Normal
    总体方差齐       Equal Variance
    数据间相互独立   Independent

     

    非参数检验:对总体分布不做严格假定,也不对总体参数进行统计推断,而是直接对总体分布的位置进行假设检验。由于这类方法不受总体参数的限制,故称非参数检验,又称任意分布检验distribution-free test

    非参数检验适用的范围:

    ①  总体分布形式未知或分布类型不明(尤其小样本);

    ②  偏态分布的资料(非正态分布的资料)不满足参数检验条件的资料:各组方差明显不齐

    ③  等级资料:不能精确测定,只能以严重程度、优劣等级、次序先后等表示 ——单向有序行×列表资料

    数据一端或两端是不确定数值, (必选)如“>50kg”等。

     

    非参数检验的优缺点:

        优点:

    适用范围广
    对数据要求不严
    方法简便、易于理解和掌握

        缺点:

    损失信息、检验效能低

    凡符合或经过变换后符合参数检验条件的资料,最好用参数检验。当资料不具备参数检验的条件时,非参数检验是一种有效的分析方法

    对符合用参数检验的资料,如用非参数检验,会丢失信息,导致检验效率下降,类错误的可能性比参数检验大
     

    拒绝H0时,可能拒绝了实际上成立的H0,这类错误称为Ⅰ类错误(“弃真”),其概率大小用α表示。常称之为检验水准

    不拒绝H0时,没有拒绝实际上不成立的H0,这类错误称为Ⅱ类错误(“存伪”),其概率大小用β表示。

     

    展开全文
  • 参数检验和非参数检验的区别

    万次阅读 多人点赞 2018-10-11 16:46:47
    非参数检验是针对总体分布情况做的假设,这是区分的一个重要特征; 2、根本区别在于,参数检验要利用到总体的信息(总体的分布、总体的一些参数特征,如方差),以总体分布和样本信息对总体参数做出推断; 非参数...

    1、参数检验是针对参数做的假设;

    非参数检验是针对总体分布情况做的假设,这是区分的一个重要特征;

    2、根本区别在于,参数检验要利用到总体的信息(总体的分布、总体的一些参数特征,如方差),以总体分布和样本信息对总体参数做出推断;

    非参数检验不需要利用总体信息,以样本信息对总体分布做出推断;

    3、正态分布用参数检验,非正态分布用非参数检验。

    展开全文
  • 本书旨在介绍适用于平滑技术的统计和数学原理。
  • 参数模型与非参数模型

    万次阅读 多人点赞 2018-06-01 22:59:44
    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。统计专业中有一门课程叫做《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,...

    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。统计专业中有一门课程叫做《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(比如正太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有参数直接确定

    =======================================================================

    【机器学习】参数和非参数机器学习算法 - 程序猿  http://wwwbuild.net/DataScienceWeMedia/219846.html

    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:

    选择目标函数的形式。
    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:

    b0+b1<em>x1+b2</em>x2=0

    其中b0b1b2是直线的系数,其影响直线的斜度和截距,x1x2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:

    • 简洁:理论容易理解和解释结果

    • 快速:参数模型学习和训练的速度都很快

    • 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:

    • 约束:以选定函数形式的方式来学习本身就限制了模型

    • 有限的复杂度:通常只能应对简单的问题

    • 拟合度小:实际中通常无法和潜在的目标函数吻合

    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,它们可以拟合各自形式的函数。

    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:

    • 可变性:可以拟合许多不同的函数形式。

    • 模型强大:对于目标函数不作假设或者作微小的假设

    • 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:

    • 需要更多数据:对于拟合目标函数需要更多的训练数据

    • 速度慢:因为需要训练更多的参数,训练过程通常比较慢。

    • 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什么是非参数(nonparametric)模型? - 知乎  https://www.zhihu.com/question/22855599

    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。

    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\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。

    链接:https://www.zhihu.com/question/22855599/answer/23556224


    ==================================


    展开全文
  • 参数检验和非参数检验

    万次阅读 多人点赞 2018-05-22 21:34:33
    一、参数检验1、基本思想2、两类错误3.、检验步骤4、检验的p值在一个假设检验问题中, 拒绝原假设H0的最小显著性水平称为检验的p值.5、单正态总体参数的检验(1)(2)(3)6、两正态总体参数的检验(1)(2)7、成对...
  • 参数与非参的机器学习算法

    千次阅读 2017-05-26 18:34:07
    作者:Jason Brownlee 翻译:AI梦蝶 译者注:这篇文章中主要介绍了参数参的一些机器学习模型的区别。  一个参数机器学习算法是什么,与非参的机器学习算法又有什么不同呢?  在这篇文章中
  • 集中趋势和离散趋势的度量: 众数、中位数和平均数: ...显著性水平αP值得区别 重复抽样和不重复抽样相比,抽样均值分布的标准差有何不同 评价估计量的标准 参数估计和假设检验的区别和联系 假设检验的步骤
  • 参数方法,半参数方法,非参数方法

    千次阅读 2018-09-13 17:28:53
    amp;amp;tid=2163476&amp;amp;page=1 参数方法,假定概率分布,只来估计少量参数。 半参数方法,对数据分组,每组采用一种概率分布的假设,最后使用混合概率分布。 非参数方...
  • 此外, 区别于传统算法需事先设置较大维数字典以保证较高重建精度的不足, 对字典维数进行非参数推导, 获得较小维数字典, 减少了运算量。实验表明, 不论测试影像有无噪声, 所提算法在视觉及定量评价指标上较传统方法均...
  • 参数估计与非参数估计 课件格式 ppt 打开方式:powerpoint
  • 参数学习方法和非参数学习的区别

    千次阅读 2019-03-01 11:02:59
    非参数学习方法是:在预测新样本值时候每次都会重新训练数据得到新的参数值,也就是说每次预测新样本都会依赖训练数据集合,所以每次得到的参数值是不确定的。例如局部加权回归(LWR)就是非参数学习方法。 ...
  • 1、参数检验和非参数检验的区别 定义不同: 参数检验:假定数据服从某分布(一般为正态分布),通过样本参数的估计量(x±s)对总体参数(μ)进行检验,比如t检验、u检验、方差分析。 非参数检验:不需要假定...
  • 参数与非参数的机器学习算法

    千次阅读 2017-11-26 13:05:30
     一个参数机器学习...  在这篇文章中,你会发现参数和非参数机器学习算法之间的区别。    让我们开始吧!      学习一个函数    机器学习可以归结为学习一个函数(f),把输入变量(X)映射到输出变量(Y):
  • 文章目录1 参数检验与非参数检验2 非参数检验方法2.1 单样本总体分布检验2.1.1 卡方检验2.1.2 二项分布检验2.1.3 游程检验2.1.4 Kolmogorov—Smirnov检验2.2 两独立样本差异性检验2.2.1 Kolmogorov—Smirnov检验...
  • 函数模板和类模板,模板参数并不局限于类型,普通值也可以作为模板参数。 当要使用基于值的模板时,必须显式地指定这些值,才能够对模板进行实例化,并获得最终代码
  • S7-1500 G120 CU250S-2 PN的PROFINET通讯 周期通讯读写变频器参数zip,S7-1500G120 CU250S-2 PN的PROFINET通讯第3部分周期通讯读写参数
  • 参数方法,假定概率分布,只来估计少量参数。 半参数方法,对数据分组,每组采用一种概率分布的假设,最后使用混合概率分布。...在这样的非参数估计(non-paramitric estimation)中,局部实例对于密度的影响就显得
  • 由于博主此次使用的是非参数检验,将重点介绍非参数检验相关内容,仍然是深入浅出的风格,先放一些概念,再总结实际使用的技巧。写在这里,供大家参考学习。  为了方便描述公式和定义,部分内容摘自网络,鉴于是...
  • 参数模型与非参数模型1、概述2、参数机器学习算法3、非参数机器学习算法 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《...
  • 非参数统计检验

    千次阅读 2018-11-28 12:59:20
    非参数统计分析
  •  假设了一个在整个输入空间上有效的模型,将问题归结为在样本上估计少量参数,(如:线性模型估计w,高斯分布估计mu和sigma).参数学习方法假定了一个模型,当模型假定不成立,或者样本不是一个分组,可能导致很大的...
  • 【ML】什么是参数模型和非参数模型

    千次阅读 2020-12-18 11:20:11
    今天来总结一下参数模型和非参数模型。 一、前言 参数模型(parametric model)和非参数模型(non-parametric model)作为数理统计学中的概念,现在也常用于机器学习领域。 在统计学中,参数模型通常假设总体(样本、数据...
  • 论文研究-生产前沿参数方法与非参数方法的比较研究.pdf,
  • 非参数测试参数测试有何不同? 当总体参数的信息完全已知时使用参数检验,而当总体参数的信息没有或很少使用非参数检验,简单的说,参数检验假设数据是正态分布的。然而,非参数检验对数据没有任何分布。 但是参数...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 767,236
精华内容 306,894
关键字:

参数与非参数的区别