Klassifikator gegen Modell gegen Schätzer

Was ist der Unterschied zwischen einem Klassifikator, einem Modell und einem Schätzer?

Soweit ich das beurteilen kann:

• Ein Schätzer ist ein Prädiktor, der aus einem Regressionsalgorithmus ermittelt wird
• Ein Klassifikator ist ein Prädiktor, der aus einem Klassifikationsalgorithmus ermittelt wird
• Ein Modell kann sowohl ein Schätzer als auch ein Klassifikator sein

Aber wenn ich online schaue, scheint es, dass ich diese Definitionen verwechselt habe. Also, was sind die wahren Definitionen im Kontext des maschinellen Lernens?

• Schätzer: Dies ist kein Wort mit einer strengen Definition, sondern normalerweise mit dem Auffinden eines aktuellen Werts in Daten verbunden. Wenn wir die Änderung in unserer Tasche nicht explizit gezählt haben, könnten wir einen Schätzwert verwenden. Beim maschinellen Lernen wird es jedoch am häufigsten in Verbindung mit der Parameterschätzung oder der Dichteschätzung verwendet. In beiden Fällen wird davon ausgegangen, dass die derzeit vorliegenden Daten in einer Form vorliegen, die mit einer Funktion beschrieben werden kann. Bei der Parameterschätzung glauben wir, dass die Funktion eine bekannte Funktion ist, die zusätzliche Parameter wie Rate oder Mittelwert enthält, und wir können den Wert dieser Parameter schätzen. Bei der Dichteschätzung haben wir möglicherweise nicht einmal eine Annahme über die Funktion, aber wir werden versuchen, die Funktion unabhängig davon zu schätzen. Sobald wir eine Schätzung haben, können wir ein Modell zur Verfügung haben.maximale Wahrscheinlichkeit .
• Klassifikator : Dies bezieht sich speziell auf einen Funktionstyp (und die Verwendung dieser Funktion), bei dem die Antwort (oder der Bereich in der funktionalen Sprache) diskret ist. Im Vergleich dazu hat ein Regressor eine kontinuierliche Antwort. Es gibt zusätzliche Antworttypen, aber diese sind die beiden bekanntesten. Sobald wir einen Klassifikator erstellt haben, wird erwartet, dass er uns aus einem endlichen Bereich von Klassen vorhersagt, welche Klasse ein Datenvektor wahrscheinlich anzeigt. Beispielsweise kann eine Spracherkennungssoftware eine Besprechung aufzeichnen und versuchen, zu einem bestimmten Zeitpunkt aufzuzeichnen, welche der endlichen Anzahl von Besprechungsteilnehmern spricht. Wenn wir diese Software erstellen, würden wir jedem Teilnehmer eine Nummer geben, die nur nominal ist , und versuchen, diese Nummer für jedes Sprachsegment zu klassifizieren.
• Modell : Das Modell ist die Funktion (oder eine Gruppe zusammengefasster Funktionen), die Sie als repräsentativ für Ihr Phänomen akzeptieren oder ablehnen können. Das Wort stammt von der Idee, dass Sie Domänenwissen anwenden können, um das Phänomen zu erklären / vorherzusagen, obwohl dies nicht erforderlich ist. Ein nicht parametrisches Modell kann vollständig aus den vorliegenden Daten abgeleitet werden, das Ergebnis wird jedoch häufig noch als Modell bezeichnet. Diese Terminologie unterstreicht die Tatsache, dass das, was konstruiert wurde, wenn ein Modell konstruiert wurde, keine Realität ist, sondern nur ein „Modell“ der Realität. Wie George Box sagte " Alle Modelle sind falsch, aber einige sind nützlich ". Mit einem Modell können Sie Vorhersagen treffen, aber dies ist möglicherweise nicht der Zweck des Modells. es könnte auch verwendet werden, um zu simulieren oder zu erklären.