Примеры параметрических моделей:

• Линейная или полиномиальная регрессия. 1 Подразумевают, что входные и выходные данные имеют линейное или полиномиальное отношение соответственно. 1
• Гауссовы смеси и скрытые марковские модели. 1 Предполагают, что входные данные следуют гауссовскому распределению или марковскому процессу с ненаблюдаемыми (скрытыми) состояниями соответственно. 1
• Нейронная сеть прямой связи с одним или несколькими скрытыми слоями. 1

Примеры непараметрических моделей:

• Случайные леса или деревья принятия решений. 1 Разбивают входные данные на меньшее пространство на основе характеристик данных, генерируя прогноз на основе класса. 1
• Машины опорных векторов с нелинейными ядрами. 1 Находят гиперплоскость и создают пространство объектов, отображающее входные и выходные данные. 1
• Алгоритм k-ближайших соседей (k-NN). 1 Генерирует результаты на основе мажоритарного класса k ближайших данных для одного экземпляра. 1
• Нейронные сети с непараметрическими функциями активации (например, используют активацию ядра или активацию радиальной базисной функции). 1

Параметрические модели выдвигают конкретные гипотезы о взаимосвязи между входными и выходными данными. 1 Эти предположения касаются фиксированного числа параметров и переменных, которые влияют на результат модели. 1 Непараметрические модели не требуют делать предположения об отношениях между входными и выходными данными для получения результата, а также устанавливать и изучать определённое количество параметров. 1

Таким образом, основное отличие в том, что параметрические модели предполагают известные параметры распределения данных, в то время как непараметрические модели не требуют знания параметров распределения. 3