精华内容
下载资源
问答
  • 参数模型与非参数模型

    万次阅读 2018-06-01 22:59:44
    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...

    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
  • 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
    参数模型(non-parametric model)和参数模型(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...

    写在前面

    非参数模型(non-parametric model)和参数模型(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,如正态分布由均值和标准差确定,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或者说是数据分布假设自由,只知道其分布是存在的,所以就无法得到其分布的相关参数,只能通过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。 需要注意,有参数模型它的参数是有限的,可以指定出θ1,θ2,...,θn\theta_{1},\theta_{2},...,\theta_{n},而非参数模型也并不是没有参数,而是参数的数目很多,引用知乎的例子,这里的non-parametric类似单词priceless,并不是没有价值,而是价值很高。

    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,所以就需要选择合适的方法来拟合这个函数。

    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=aX+bY = aX+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。

    常见的参数机器学习模型有:
    1、逻辑回归(logistic regression)
    2、线性成分分析(linear regression)
    3、感知机(perceptron)

    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:
    1、拘束:以指定的函数形式来指定学习方式。
    2、有限的复杂度:通常只能应对简单的问题。
    3、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。

    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:
    1、决策树
    2、朴素贝叶斯
    3、支持向量机
    4、神经网络

    非参数机器学习算法的优势有:
    1、可变性:可以拟合许多不同的函数形式。
    2、模型强大:对于目标函数不做假设或者作出很小的假设。
    3、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局限性:
    1、需要更多数据:对于拟合目标函数需要更多的训练数据。
    2、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。
    3、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。

    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。

    转自:

    【机器学习】参数和非参数机器学习算法
    参数模型与非参数模型

    展开全文
  • 机器学习中参数模型和非参数模型

    千次阅读 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, 有从是不是对数据的分布做了相关假设进行分析的 也有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...

    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,

    有从是不是对数据的分布做了相关假设进行分析的

     也有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是不是对数据分布进行了假设来区分并不是特别好理解。

    非参数模型(non-parametric model)和参数模型(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,如正态分布由均值和标准差确定,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或者说是数据分布假设自由,只知道其分布是存在的,所以就无法得到其分布的相关参数,只能通过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。

     

    看了各种解答之后,我觉得二者可以这样进行区分:

    一、首先需要明确的是 非参数模型并不是说模型中没有参数!

    这里的non-parametric类似单词priceless,并不是没有价值,而是价值非常高,无价,也就是参数是非常非常非常多的!(注意:所谓“多”的标准,就是参数数目大体和样本规模差不多)

    而:可以通过有限个参数来确定一个模型,这样的方式就是“有参数模型”,也就是这里说的参数模型,如线性回归、Logistic回归(假定样本维度为N,则假定N个参数theta1,theta2...thetaN)。

    二、其次:参数模型 :对学到的函数方程有特定的形式,也就是明确指定了目标函数的形式 -- 比如线性回归模型,就是一次方程的形式,然后通过训练数据学习到具体的参数。

    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。

    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”。

     三、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

    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。

    四、最后:

    常见的参数机器学习模型有:
    1、逻辑回归(logistic regression)
    2、线性成分分析(linear regression)
    3、感知机(perceptron)(假设分类超平面是wx+b=0)

    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:
    1、拘束:以指定的函数形式来指定学习方式。
    2、有限的复杂度:通常只能应对简单的问题。
    3、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。

     

    常见的非参数机器学习模型有:
    1、决策树
    2、朴素贝叶斯
    3、支持向量机(SVM的例子中,SVM的参数α数目和样本数目相同,从定义看来,因为参数数目和样本规模相当,所以属于无参数模型。当然,SVM通过得到支撑向量的方式,只有若干样本的参数α不为0,从这个角度,SVM还属于“稀疏模型”,这又属于另外一码事了。)
    4、神经网络

    非参数机器学习算法的优势有:
    1、可变性:可以拟合许多不同的函数形式。
    2、模型强大:对于目标函数不做假设或者作出很小的假设。
    3、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局限性:
    1、需要更多数据:对于拟合目标函数需要更多的训练数据。
    2、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。
    3、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。

    展开全文
  • LR是参数模型与SVM是非参数模型

    千次阅读 2019-10-19 23:06:26
    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...

    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b0、b1和b2是直线的系数,其影响直线的斜度和截距,x1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:

    • 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
  • 2018-03-31更新:生成模型与判别模型参数模型:根据预先设计的规则,例如方差损失最小,进行学习,参数模型例子:回归(线性回归、逻辑回归)模型;最好可以看一下或者直接进行一下相关的推导;根据规则,拥有少部分...
  • 参数模型和非参数模型的区别

    千次阅读 2016-05-29 16:13:39
    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...
  • S参数模型和 IBIS模型入门

    千次阅读 2018-08-16 20:47:33
    S参数模型 基于频域的行为级模型, S参数主要用于分析高频无源结构。   S参数描述的通道对信号的影响和通道的特性。 描述线性无源互连结构的一种行为模型,来源于网络分析法。 S参数模型不考虑互连结构的具体...
  • 7参数模型

    千次阅读 2014-08-07 23:06:38
    参数模型采用先旋转,后缩放,再平移的步骤:   其中:       由于 都是小角度,所以 ,且 的乘积都可以近似为0,于是有:
  • 现代谱估计的参数模型

    千次阅读 2017-10-13 14:50:28
    现代功率谱的参数模型
  • 参数模型与非参数模型的区别

    千次阅读 2018-09-10 15:34:03
    The distinction between parametric and non parametric is as follows: Does the number of parameters in the model grows as the number of examples in the dataset grows? Parametric Example: Linear/Ridge r...
  • 参数机器学习算法  假设可以最大程度地简化学习过程,与此同时也限制可以学习到是什么。这种算法简化成一个已知的函数形式,这称为参数机器学习算法。这种算法包括两种步骤:     1. 选择一种目标函数的形式;...
  • 参数模型就是知道变量的分布,但是不知道这个分布的参数,比如知道x服从参数为p的二项分布,因此我们在经过试验得到x的样本后,要反推回p到底是什么。非参数模型都是不知道变量的分布,更不用说什么参数了】
  • https://blog.csdn.net/sinat_27652257/article/details/80543604   可以看一下。
  • 在一定的条件下,非概率模型与概率模型有以下对应关系 3 参数模型 VS 非参数模型 3.1 参数模型 如果我们对所要学习的问题有足够的认识,具备一定的先验知识,此时我们一般会假定要学习的目标函数f(x)或分布P(y|x)的...
  • MATLAB线性参数模型估计

    千次阅读 2018-08-10 16:03:05
    二、参数估计值 A4= -3.3877 A3= 1.8276 A2= -0.3697 A1= 0.0334 A0= -0.0011 三、拟合曲线及实验数据点 untitled.bmp  如果疑问,欢迎留言交流,不定期查看谢谢。    分享不易,一分...
  • 加速失效(AFT)模型 假设 TTT 为失效时间,xxx 为协变量,加速失效(accelerate failure time)模型的假设是,一个人的生存时间等于人群基准生存时间 * 这个人的加速因子,其数学形式如下: T=t∗eθ⋅x,&nbsp;...
  • 最近发现了一个问题,训练好的模型,跑测试集表现很好,于是将模型参数持久化保存下来(注意,并非全部模型)。重新加载模型参数,跑测试集,发现结果差异很大,而且重新加载的模型表现非常差。 但是输出两次的模型...
  • 这不仅是由于在监督学习框架下面有各种各样的学习模型,如逻辑斯特回归、朴素贝叶斯、支持向量机等,更是因为这个框架有着坚实的理论支撑,机器学习中的计算学习理论就是主要为监督学习服务的:这套理论以概率的方式...
  • Maxwell 3D v11中自定义参数模型的建立

    千次阅读 2006-08-22 16:02:00
    Maxwell 3D v11版已经支持用户自己定义建立参数模型,比如基本模型中没有管状件,需要生成两个圆柱,然后布尔运算才可以实现。这里我们就给Maxwell添加参数化建立这个模型的功能。 在VC中建立一个普通Win32的动态...
  • 基于二维四参数模型的坐标转换

    千次阅读 2018-09-21 10:25:37
     GIS专业的我,对于坐标转换原理、思路还是以前在学校的时候学的,于是,我开始网上搜索,布尔莎模型、二维7参数模型、二维四参数模型,高斯正算、高斯反算、最小二乘法。。。结合国家下发的《80T2000坐标转换》...
  • 线性插值和二次插值The model may turn out to be far too ... 如果我们不断增加更多的变量,该模型可能会变得过于复杂。 Will fail to simplify as it is memorizing the training data. 记住训练数据将无法...
  • 坐标映射关系一般在预处理阶段通过训练确定,首先投影特征图像,获得投影图像与计算机放映图像匹配特征点作为训练数据,假设有个匹配点和,然后训练一种参数模型得到坐标映射关系。  在激光笔交互系统中,摄像头...
  • 模型参数模型参数

    千次阅读 2019-05-29 23:52:54
    什么是模型参数模型参数模型内部的配置变量,其值可以根据数据进行估计。 模型在进行预测时需要它们。它们的值定义了可使用的模型。他们是从数据估计或获悉的。它们通常不由编程者手动设置。他们通常被保存为...
  • AR模型参数估计

    千次阅读 2020-06-21 22:24:55
    为随机信号建立参数模型是研究随机信号的一种基本方法。在对语音信号进行编码时,往往通过分析不同种类语音信号的特点及产生,用数学模型表示信源,而编码器根据输入信号计算模型参数,然后对模型参数进行编码,也...
  • 参数贝叶斯模型概述

    万次阅读 2012-10-31 10:55:19
    顾名思义,也就是非参数模型的大小可以随着模型内数据的增大或减小而自适应于模型的变化,有多少个数据,我可以根据数据选择参数,来对数据建模(这一定义的直观解释参考PRML figure 2.5)。正如天下没有免费的午餐...
  • AR模型参数估计

    千次阅读 2020-06-20 22:24:47
    AR模型属于随机信号参数模型的一种。在AR模型中,随机信号x(n)由本身的若干次过去值x(n−k)和当前的激励值w(n)线性组合产生。 x(n)=w(n)−∑k=1pakx(n−k)(1) x(n) = w(n) − \sum_{k=1}^{p} a_k x(n − k ) \tag{1}...
  • 如何简单易懂地理解贝叶斯非参数模型? 为了讲清楚什么是非参数贝叶斯模型,先看看下面几个概念: 参数模型 参数模型就是知道总体(随机变量)的分布,但是不知道这个分布的参数,比如知道x服从参数为p的二项分布,...
  • hlda周边—非参数贝叶斯模型

    千次阅读 2014-03-17 21:34:24
    贝叶斯非参数模型是一种定义在无限维参数空间上的贝叶斯模型。顾名思义,也就是非参数模型的大小可以随着模型内数据的增大或减小而自适应于模型的变化,有多少个数据,我可以根据数据选择参数,来决定模型的选择(这

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 86,499
精华内容 34,599
关键字:

参数模型