В случае параметрических моделей делается допущение, связанное с функциональной формой, и рассматривается линейная модель. В случае непараметрических моделей предположение о функциональной форме не делается.
Параметрические модели гораздо легче подобрать, чем непараметрические модели, потому что параметрические модели машинного обучения требуют только оценки набора параметров, поскольку модель заранее идентифицируется как линейная модель. В случае непараметрической модели надо оценить некоторую произвольную функцию, что является довольно сложной задачей.
Параметрические модели часто не соответствуют неизвестной функции, которую мы пытаемся оценить.
Производительность модели сравнительно ниже, чем у непараметрических моделей.
Оценки, сделанные параметрическими моделями, могут быть далеки от истины.
Параметрические модели поддаются интерпретации, в отличие от непараметрических моделей. По сути, это означает, что можно использовать параметрические модели, когда цель состоит в том, чтобы найти вывод.
Вместо этого можно выбрать непараметрические модели, когда цель состоит в том, чтобы сделать прогноз с более высокой точностью и интерпретируемостью, или вывод не является ключевым вопросом.
=================================
Когда цель состоит в том, чтобы получить модели с высокой точностью прогнозирования производительности, можно использовать нелинейные методы, такие как бэггинг, бустинг, метод опорных векторов, бустинг бэггинга с нелинейными ядрами и нейронные сети (глубокое обучение).
Когда цель состоит в том, чтобы добиться моделирования для создания выводов, можно использовать параметрические методы, такие как регрессия лассо, линейная регрессия, которые имеют высокую интерпретируемость.
Линейный SVM — это параметрическая модель.