参数学习算法和非参数学习算法的区别

除了传统的监督学习、无监督学习、半监督学习的三分类方法，机器学习算法还可以分为参数学习和非参数学习两类。

从典型特征上看，

1.参数学习算法：具有固定数目的参数、计算更快。但是，参数学习算法的建模具有更强的假设，如果假设是正确的，参数学习算法表现会很好；相反，如果假设是错误的，算法表现会很差。对于训练数据的需求量相对非参数学习算法更少，模型更简单也更具有可解释性。比如线性回归算法。

2.非参数学习算法：具有灵活数目的参数，计算更慢。对于算法对应模型具有更少、甚至没有假设，依赖数据构建模型，所以训练数据的需求量会更大。一般而言，随训练数据的增长，算法参数数量同步增长，算法性能会提升。但是模型的解释性弱于参数学习算法。比如随机森林算法。