本文介绍非参数化模型（Non-parametric models）和参数化模型（Parametric models）
参数化模型
定义
参数化模型指的是那些依赖于固定数量参数的模型，这些参数可以通过训练数据学习得到。参数化模型的特点是一旦参数确定，模型的复杂度也就固定了。
举例
参数化模型的例子包括线性回归、逻辑回归、支持向量机（SVM）和神经网络等
非参数化模型
定义
非参数化模型则不对模型形式做出严格的假设，也不依赖于固定数量的参数。这类模型通常具有更大的灵活性，可以根据数据的复杂性来适应模型的复杂度。
举例
非参数化模型的例子包括高斯过程回归、决策树、k-最近邻（k-NN）算法、核方法以及各种基于模型的集成方法如随机森林和提升树（Boosting Trees）等
其他说明
尽管神经网络可以拥有大量的参数，使得它们具有高度的灵活性和强大的表达能力，但这些特点并不使其成为非参数化模型。非参数化模型指的是不对模型形式做出严格假设的模型，其参数的数量和模型的复杂度可以随着数据量的增加而增加。因此，即使神经网络在实际应用中可以非常复杂，它们仍然是基于固定参数数量的参数化模型。
- 神经网络越来越复杂，现在参数量已经非常大，实际上可以看做是非参数模型？