Modele statistique parametrique

Un modèle statistique est non paramétrique si le paramètre SET $ Theta $ est de dimension infinie. Un modèle statistique est semi-paramétrique s`il a à la fois des paramètres de dimension finie et de dimension infinie. Formellement, si $d $ est la dimension de $ Theta $ et $n $ est le nombre d`échantillons, les modèles semi-paramétriques et non paramétriques ont $d rightarrow infty $ comme $n rightarrow infty $. Si $d/n rightarrow $0 comme $n rightarrow infty $, le modèle est semi-paramétrique; Sinon, le modèle est non paramétrique. Je pense que la classification ne dépend pas vraiment de ce que sont les «paramètres». Il s`agit de l`hypothèse que vous avez faite lorsque vous essayez de construire un modèle ou une fonction. Les modèles paramétriques ont généralement un modèle de probabilité (c.-à-d. pdf) derrière pour soutenir le processus de recherche de fonction comme la distribution normale ou un autre modèle de distribution. Laissez μ {displaystyle mu} être une mesure σ-finie fixe sur un espace mesurable (Ω, F) {displaystyle (Omega, {mathcal {F}})} et M μ {displaystyle scriptstyle {mathcal {M}} _ {mu}} la collection de toutes les mesures de probabilité dominées par μ {displaystyle mu}. Ensuite, nous appellerons P = {P θ | θ ⊆ Θ} M μ {displaystyle {mathcal {P}} ! = ! {P_{theta} | , Theta in Theta }sous-TEQ {mathcal {M}} _ {mu}} un modèle paramétrique régulier si les conditions suivantes sont remplies: [3] par exemple, une surface de référence peut décrire une extrémité sur un tuyau. Lorsque vous créez le modèle, le tuyau est automatiquement placé à l`extrémité du tuyau, quel que soit le changement que vous apportez à la longueur du tuyau.

Salut Jason, vous mentionnez que les filets neuronaux perceptron multicouches simples sont des modèles paramétriques. Ce que je comprends, mais quels réseaux neuronaux sont alors non paramétriques? Je suppose par exemple que les réseaux neuronaux avec décrocheurs sont non paramétriques? Les modèles paramétriques sont comparés aux modèles semi-paramétriques, semi-non paramétriques et non paramétriques, qui sont tous constitués d`un ensemble infini de «paramètres» pour la description. La distinction entre ces quatre classes est la suivante: [citation nécessaire] un modèle paramétrique est une collection de distributions de probabilité telle que chaque membre de cette collection, Pθ, est décrit par un paramètre de dimension finie. L`ensemble de toutes les valeurs autorisées pour le paramètre est notée Θ ⊆ RK, et le modèle lui-même est écrit comme je lis l`article Wikipedia sur les modèles statistiques ici, et je suis un peu perplexe quant à la signification de “modèles statistiques non paramétriques”, en particulier: dans statistiques, un modèle paramétrique ou une famille paramétrique ou un modèle à dimensions finies est une famille de distributions qui peut être décrite à l`aide d`un nombre fini de paramètres. Ces paramètres sont généralement collectés ensemble pour former un seul vecteur de paramètre k-dimensionnel θ = (θ1, θ2,…, θk). Comme Johnnyboycurtis a Answerd, les méthodes non paramétriques sont celles si elle ne fait aucune hypothèse sur la répartition de la population ou la taille de l`échantillon pour générer un modèle.