분류기 대 모델 대 추정기

분류기, 모델 및 추정기의 차이점은 무엇입니까?

내가 말할 수있는 것에서 :

• 추정기는 회귀 알고리즘에서 찾은 예측 변수입니다.
• 분류기는 분류 알고리즘에서 찾은 예측 변수입니다.
• 모델은 추정자 또는 분류 자일 수 있습니다.

그러나 온라인에서 볼 때 이러한 정의가 섞여있을 수 있습니다. 그렇다면 기계 학습과 관련하여 진정한 정의는 무엇입니까?

• 평가자: 이것은 엄밀한 정의를 가진 단어는 아니지만 일반적으로 데이터에서 현재 값을 찾는 것과 관련이 있습니다. 주머니의 변화를 명시 적으로 세지 않았다면 추정치를 사용할 수 있습니다. 즉, 기계 학습에서 매개 변수 추정 또는 밀도 추정과 함께 가장 자주 사용됩니다. 두 경우 모두 현재 보유하고있는 데이터는 함수로 설명 할 수있는 형태로 제공된다는 가정이 있습니다. 모수 추정을 통해 함수는 비율 또는 평균과 같은 추가 모수를 갖는 알려진 함수라고 생각하며 해당 모수의 값을 추정 할 수 있습니다. 밀도 추정에서는 함수에 대한 가정이 없을 수도 있지만 함수에 관계없이 함수를 추정하려고 시도합니다. 우리가 추정을하면 우리는 처분 할 때 모델을 가질 수 있습니다.최대 가능성 .
• 분류 자 (classifier) : 이것은 구체적으로 응답 (또는 기능적 언어의 범위)이 분리 된 함수의 유형 (및 그 기능의 사용)을 나타냅니다. 이것과 비교하여 회귀자는 지속적인 반응을 보일 것입니다. 추가 응답 유형이 있지만 가장 잘 알려진 두 가지 유형입니다. 분류기를 만들었 으면 유한 한 클래스 범위 내에서 데이터 벡터가 나타내는 클래스를 예측할 수 있습니다. 예로서, 음성 인식 소프트웨어는 회의를 기록하고, 한정된 수의 회의 참석자들 중 어느 것이 말하고 있는지 주어진 시간에 기록을 시도 할 수있다. 이 소프트웨어를 구축하면 각 참석자에게 명목상 의 숫자 만 부여하고 각 연설 세그먼트에 대해 해당 숫자로 분류하려고합니다.
• 모델 : 모델은 현상을 나타내는 것으로 받아들이거나 거부 할 수있는 기능 (또는 기능 집합)입니다. 이 단어는 반드시 필요한 것은 아니지만 현상을 설명 / 예측하는 데 도메인 지식을 적용 할 수 있다는 생각에서 비롯됩니다. 비모수 적 모델은 해당 데이터에서 전적으로 도출 될 수 있지만 결과를 종종 모델이라고합니다. 이 용어는 모델이 구성되었을 때 구성되는 것이 현실이 아니라 현실의 '모델'이라는 사실을 강조합니다. 조지 박스 (George Box)는 " 모든 모델이 잘못되었지만 일부는 유용하다 "고 말했다. 모델이 있으면 예측할 수 있지만 그 목적이 아닐 수도 있습니다. 시뮬레이션이나 설명에도 사용할 수 있습니다.