半参数方法

介绍
第一部分 参数方法——类密度模型参数估计
第二部分 监督学习——分类（基于似然的方法）
第三部分 监督学习——分类（基于判别式的方法）（参数方法——判别式参数估计）
第四部分 监督学习——回归
第五部分 监督学习——关联规则
第六部分 维度规约（特征的提取和组合）
第七部分 半参数方法
第八部分 非监督学习——聚类
第九部分 非参数方法——密度估计
第十部分 非参数方法——决策树实现的判别式
第十一部分 多层感知器——非参数估计器
第十二部分 局部模型
第十三部分 支持向量机与核机器
第十四部分 隐马尔科夫模型
第十五部分 参数的贝叶斯估计
第十六部分 集成学习——组合多学习器
第十七部分 增强学习
第十八部分 机器学习实验
第十九部分 特征工程与数据预处理

参数方法中，假设样本来自一个已知的分布。如对类密度假设高斯密度，则根据估计的均值和方差，类对应于空间中单个分组。但这种假设有时会站不住脚，如每个类由两个分组组成，模型上则可对应于两个告诉模型的和。所以假设一个严格的参数模型可能是偏倚的根源。

半参数方法，使用混合分布估计输入样本。混合密度，其中是混合分支，也称分组或簇（cluster），是支密度，是混合比例。k是超参数，应预先指定。给定样本和k，学习支密度和混合比例。当假定支密度是参数模型，只需估计各支密度的参数。

监督学习下的参数分类，有与混合模型同样的模式，，类密度对映支密度，类先验对映混合比例。由于知道实例的分组，则学习参数是平凡的。

半参数方法多用于训练集数据无输出标签的情况，也就是聚类相关的问题。同时在局部模型中也有较多应用。