还不是很懂参数学习和非参数学习这两个概念？
来源：5-10 线性回归的可解释性和更多思考
慕数据3541479
2018-04-28
如上，老师能再多解释几句么？
写回答
1回答
-
你学习到这里，已经接触了两个学习算法，一个是kNN，一个是线性回归。
线性回归就是典型的参数学习。因为他假设我们的数据符合一个模型，在线性回归中，即是线性模型。之后，我们的任务是求出这个线性模型的参数：theta对应的值。这样的学习方式就是参数学习。换句话说，我们假设我们的问题符合一个固定的数学模型，我们要做的事情是求出这个数学模型的参数。
kNN是非参数学习。在这个学习过程中，我们没有假设我们的数据符合任何模型。我们只是依据一个固定的逻辑——最近邻进行分析判断。这样的学习方式叫做非参数学习。我们的学习过程不是求解数学模型中的某些参数。
非参数学习不代表没有参数。非参数学习可以有参数，甚至可以有很多参数。比如kNN中的k，就是一个参数。但这个参数是一个超参数，在学习前，需要我们设定好，才能进行学习过程；而不像模型的参数，模型参数使我们的学习算法具体求解的对象，如线性回归中的theta。
你也可以这么理解：参数学习通常都更加“数学”，他假定我们的数据符合一个数学模型，然后去求解数学模型中的参数；非参数学习通常都更加“计算机”，他按照某种算法逻辑，得到我们希望的结果：）
352019-03-18
相似问题
对集成学习的另一个想要探讨的问题
回答 2
为什么说决策树是非参数学习？
回答 1