Klasyfikator vs model vs estymator

Jaka jest różnica między klasyfikatorem, modelem a estymatorem?

Z tego co mogę powiedzieć:

• estymator jest predyktorem znalezionym na podstawie algorytmu regresji
• klasyfikator to predyktor znaleziony na podstawie algorytmu klasyfikacji
• model może być zarówno estymatorem, jak i klasyfikatorem

Ale patrząc z Internetu wydaje się, że te definicje mogą być pomieszane. Więc jakie są prawdziwe definicje w kontekście uczenia maszynowego?

• taksator: To nie jest słowo o ścisłej definicji, ale zwykle wiąże się ze znalezieniem bieżącej wartości w danych. Jeśli nie policzymy wyraźnie zmiany w naszej kieszeni, możemy użyć oszacowania. To powiedziawszy, w uczeniu maszynowym jest najczęściej używane w połączeniu z oszacowaniem parametrów lub oszacowaniem gęstości. W obu przypadkach zakłada się, że dane, które obecnie posiadamy, mają postać, którą można opisać za pomocą funkcji. Przy szacowaniu parametrów uważamy, że funkcja jest znaną funkcją, która ma dodatkowe parametry, takie jak szybkość lub średnia, i możemy oszacować wartość tych parametrów. Przy szacowaniu gęstości możemy nawet nie przyjąć założenia o funkcji, ale niezależnie od tego spróbujemy ją oszacować. Po uzyskaniu oceny możemy mieć do dyspozycji model.maksymalne prawdopodobieństwo .
• klasyfikator : Odnosi się to konkretnie do rodzaju funkcji (i zastosowania tej funkcji), w której odpowiedź (lub zakres w języku funkcjonalnym) jest dyskretna. W porównaniu z tym regresor będzie reagował w sposób ciągły. Istnieją dodatkowe typy odpowiedzi, ale są to dwa najbardziej znane. Po zbudowaniu klasyfikatora można się spodziewać, że z skończonego zakresu klas przewidziany jest wektor danych. Na przykład oprogramowanie do rozpoznawania głosu może nagrywać spotkanie i próbować w dowolnym momencie zarejestrować, która ze skończonej liczby uczestników spotkania przemawia. Budując to oprogramowanie, dajemy każdemu uczestnikowi tylko numer nominalny i próbujemy zaklasyfikować go do każdego segmentu mowy.
• model : model to funkcja (lub zestaw funkcji), którą możesz zaakceptować lub odrzucić jako reprezentatywną dla swojego zjawiska. Słowo to wywodzi się z pomysłu, że możesz zastosować wiedzę z dziedziny do wyjaśniania / przewidywania zjawiska, chociaż nie jest to wymagane. Model nieparametryczny może pochodzić całkowicie z dostępnych danych, ale wynik jest często nazywany modelem. Ta terminologia podkreśla fakt, że to, co zostało zbudowane po zbudowaniu modelu, nie jest rzeczywistością, a jedynie „modelem” rzeczywistości. Jak powiedział George Box „ Wszystkie modele są złe, ale niektóre są przydatne ”. Posiadanie modelu pozwala przewidzieć, ale nie może to być jego celem; można go również wykorzystać do symulacji lub wyjaśnienia.