精华内容
下载资源
问答
  • 在提出的研究中,使用两个不同的相关系数(一个参数一个非参数)测量了这种关系。 皮尔逊(Pearson)被用作参数相关系数,肯德尔(Kendall)被用作非参数相关系数。 以彩色图像中的人体皮肤分割为案例研究,以...
  • 集中趋势离散趋势的度量: 众数、中位数平均数: 方差标准差: ...重复抽样不重复抽样相比,抽样均值分布的标准差不同 评价估计量的标准 参数估计假设检验的区别和联系 假设检验的步骤
  • 非参数方法:Kaplan-meier曲线,≥2组的对数秩检验统计 半参数方法:Cox比例风险模型,Schoenfeld残差,对数-对数图 参数方法:指数(加速故障时间(AFT),比例风险(PH)),威布尔(AFT,PH),Gompertz(PH),...
  • 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
    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...

    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
  • 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
    • 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。

    • 非参数方法,不需要知道数据的概率分布,只需要假设:相似的输入具有相似的输出。因为我们一般都认为世界的变化时平稳、量变到质变的,因此无论是密度、判别式还是回归函数都应当缓慢地变化。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颇为重要,而较远的实例影响则较小。

    非参数方法主要有:

    --非参数密度估计
    --直方图形式的估计
    --核估计
    --k-最近邻估计
    
    展开全文
  • 本书旨在介绍适用于平滑技术的统计数学原理。
  • 【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...

    第一次接触这个概念是在总结LR和SVM之间的区别的时候,LR是参数模型,SVM是非参数模型

    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、随机变量)服从某个分布,这个分布可以由一些参数确定,如正态分布由均值(0)和方差(1)[此时,标准差也为1]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数据分布不做任何假设,或者说数据分布假设自由,只知道其数据分布式存在的,但是不知道数据的分布形式,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。

    所以说,参数模型和非参数模型中的“参数”并不是模型中的参数,而是数据分布的参数。

    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。

    需要注意的是,参数模型它的参数是有限的,可以指定出 w w w1 w w w2,…, w w wn;非参数模型也并不是没有参数,而是参数的数目很多或者数目不确定。(注意:所谓“多”的标准,就是参数数目大体和样本规模差不多)

    机器学习实际上可以总结为学习一个函数,通过输入变量映射为输出变量,由于这个函数的形式未知,所以需要选择合适的方法来拟合这个函数。

    二、参数模型

    参数机器学习模型由于指定了目标函数的形式,所以可以极大地简化这个学习的过程,但是同样会限制学习的过程。所以参数机器学习模型包括两个部分:

    • 1、选择合适的目标函数的形式。
    • 2、通过训练数据学习目标函数的参数。

    举个线性回归的例子,线性回归作为常见的参数模型,它通过假设输入变量与输出变量之间具有线性关系,然后就可以设置目标函数为 Y = a X + b ,需要做的就是通过合适的方法如最小二乘法来拟合目标函数的参数。

    引用《Artificial Intelligence: A Modern Approach》中的话来说明参数模型的特点

    • 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。

    常见的参数机器学习模型有:

    • 1、逻辑回归(Logistic Regression)
    • 2、线性回归(Linear Regression)
    • 3、感知机(Perceptron)

    参数机器学习算法的优点:

    • 简洁:理论容易理解、结果容易解释
    • 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(缺点)局限性:

    • 拘束:以指定的函数形式来指定学习方式
    • 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完全吻合,也就是容易出现欠拟合

    三、非参数模型

    非参数机器学习算法对目标函数形式不做过多的假设,因此算法可以通过对训练数据进行拟合而学习出某种形式的函数。

    引用《Artificial Intelligence: A Modern Approach》中的话来说明非参数模型的特点

    • 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。

    常见的非参数机器学习模型有:

    • 决策树(CART、ID3、C4.5)
    • SVM
    • 朴素贝叶斯
    • 神经网络

    非参数机器学习算法的优点有:

    • 可变性:可以拟合许多不同的函数形式
    • 模型强大:对于目标函数不做假设或者作出很小的假设
    • 表现良好:对于训练样本数据具有良好的拟合性

    非参数机器学习算法的(缺点)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:因为需要训练跟多的参数,所以训练过程通常比较慢
    • 过拟合:有较高的风险发生过拟合,对于预测的效果解释性不高

    四、总结

    1. 通过对比参数模型和非参数模型的特点,可以得知参数模型对训练数据的大小要求不如非参数模型高,因为参数模型通过对拟合函数(目标函数)进行假设,所以只需要对参数进行拟合即可;而非参数模型由于需要从数据中发掘数据之间关系,所以对数据量要求较高

    2. 通常说到的机器学习的黑盒特性,一般指的就是非参数机器学习模型。因为它不需要做出假设,并且需要拟合很多参数,所以它的解释性就降低了。所以相比而言,参数机器学习模型由于对数据做出了理想的假设,所以得到的模型更加鲁棒,所以解释性也就更高。

    参考

    https://blog.csdn.net/u014482444/article/details/107663940

    https://blog.csdn.net/FrankieHello/article/details/94022594

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

    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。 ...
  • 机器学习中参数模型和非参数模型理解

    千次阅读 多人点赞 2019-06-28 21:07:50
    非参数模型(non-parametric model)参数模型(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中。 在统计学中,参数模型通常假设总体服从某个分布,这个分布可以由一些参数确定,如正态...
  • 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:...
  • 非参数统计概述

    千次阅读 多人点赞 2019-11-16 22:48:05
    文章目录非参数统计概述引言非参数方法举例Wilcoxon 符号秩检验Wilcoxon秩检验 引言 非参数统计(nonparametric statistics)是相对于参数统计而言的一个统计学分支,是数理统计的重要内容。在参数统计中,我们往往...
  • 机器学习中参数模型和非参数模型

    万次阅读 多人点赞 2019-08-23 20:25:23
    网上关于机器学习中的参数模型和非参数模型之间的解释并没有一个完全一致的解答, 从是不是对数据的分布做了相关假设进行分析的 也是从模型的参数量大小进行解答的 二者好像是一致的,但是个人觉得如下使用...
  • 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&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...
  • 参数模型和非参数模型的区别

    万次阅读 2015-03-01 15:17:57
    参数与非参数模型 用代数方程、微分方程、微分方程组以及传递函数等描述的模型都是参数模型。建立参数模型就在于确定已知模型结构中的各个参数。通过理论分析总是得出参数模型。非参数模型是直接或间接地从实际系统...
  • 非参数统计是数理统计学中一个体系博大、理论精深且富有实用价值的分支,《非参数统计》对非参数统计的理论方法进行了系统的论述,内容上一定的广度深度,经典全面,反映了本学科的现代面貌,语言表达具有简洁...
  • 可变参数和关键字参数的语法: *args是可变参数,args接收的是一个tuple; **kw是关键字参数,kw接收的是一个dict。 使用*args**kw是Python的习惯写法,当然也可以用其他参数名,但最好使用习惯用法。 一、可变...
  • 非参数模型(non-parametric model)参数模型(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中。在统计学中,参数模型通常假设总体服从某个分布,这个分布可以由一些参数确定,如正态分布...
  • 参数方法和非参数方法

    千次阅读 2017-07-04 09:01:37
    参数方法和非参数方法
  • 参数模型与非参数模型

    万次阅读 多人点赞 2018-06-01 22:59:44
    统计专业中一门课程叫做《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方差确定),在此基础上...
  • 参数估计方法和非参数估计方法

    万次阅读 2018-09-04 14:10:13
    以PLSALDA为代表的文本语言模型是当今统计自然语言处理研究的热点问题。这类语言模型一般都是对...了语言模型相应的模型参数,我们可以很多重要的应用,比如文本特征降维、文本主题分析等等。本文主要介绍...
  • 非参数统计检验

    千次阅读 2018-11-28 12:59:20
    非参数统计分析
  • 参数模型VS非参数模型

    千次阅读 2019-12-19 23:23:18
    我们在机器学习中学习到的很多的算法模型,都可以分为参数(parametric)和非参数(nonparametric)。理解这两个概念,并知道如何区分哪些是非参数,哪些是参数,对于你深入的理解机器学习中的算法,熟悉各算法的优...
  • 参数参的机器学习算法

    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和非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,与参的机器学习算法又有什么不同呢?  在这篇文章中
  • 1. 何时使用非参数检验或许你还没有理解什么是参数检验、非参数检验,但一定曾在无意之中使用过它们。如我们常用的方差分析、T检验,都属于参数检验。参数检验,就是假定数据服从某种分布,通过样本信息对总体参数...
  • 非参数回归

    千次阅读 多人点赞 2020-04-21 21:14:51
    一元非参数回归 给定一组样本观测值(Y1,X1),(Y2,X2),⋯ ,(Yn,Xn),(Y_1,X_1),(Y_2,X_2),\cdots,(Y_n,X_n),(Y1​,X1​),(Y2​,X2​),⋯,(Yn​,Xn​),XiX_iXi​YiY_iYi​之间的任意函数模型表示为 Yi=m(Xi)+εi,i=1,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,506,000
精华内容 602,400
关键字:

参数和非参数有什么不同