Como se mencionó anteriormente, los datos no se consideran paramétricos o no paramétricos. Es el modelo, el algoritmo de aprendizaje o la prueba estadística lo que sería así.
En el aprendizaje automático, desea aprender una función que asigne variables de entrada a variables de salida. Si esta función se especifica explícitamente con un número finito de parámetros, entonces está utilizando un algoritmo de aprendizaje paramétrico donde aprende los parámetros de la función en función de sus datos de entrenamiento. Los ejemplos incluyen regresión lineal, regresión logística y Naive Bayes. Por otro lado, con algoritmos como k-NN y árboles de decisión, el algoritmo de aprendizaje opera bajo una función con un número ilimitado de parámetros que crecen con el tamaño de los datos de entrenamiento.
Ver también:
- ¿Cómo se determinaría la relevancia de un artículo frente a algunas palabras clave?
- ¿Cuáles son algunos campos en los que las redes neuronales artificiales aún no se han utilizado?
- ¿Existe una incrustación del espacio euclidiano en el espacio hamming?
- ¿Cuál es la diferencia entre soft k-means y el algoritmo EM?
- ¿Cómo puedo usar Gensim LDA para la clasificación binaria?
¿Cuáles son las ventajas de usar métodos no paramétricos en el aprendizaje automático?
¿Cuál es la diferencia entre un algoritmo de aprendizaje paramétrico y un algoritmo de aprendizaje no paramétrico?