分类器vs模型vs估计量

分类器，模型和估计器有什么区别？

据我所知：

• 估计量是通过回归算法找到的预测量
• 分类器是从分类算法中找到的预测变量
• 模型既可以是估计器，也可以是分类器

但是从网上看，似乎我可能混淆了这些定义。那么，在机器学习的上下文中真正的定义是什么？

• 估计量：这不是一个具有严格定义的词，但通常与在数据中查找当前值有关。如果我们没有明确计算口袋里的零钱，我们可能会使用一个估算值。也就是说，在机器学习中，它最常与参数估计或密度估计结合使用。在这两种情况下，都假设我们当前拥有的数据采用可以用函数描述的形式。通过参数估计，我们认为该函数是已知函数，具有其他参数，例如比率或均值，我们可以估计这些参数的值。在密度估计中，我们甚至可能没有关于函数的假设，但是无论如何我们都将尝试估计函数。一旦有了估计，就可以使用模型。最大可能性。
• 分类器：专门指一种功能类型（以及该功能的使用），其中响应（或功能语言的范围）是离散的。与此相比，回归器将具有连续响应。还有其他响应类型，但是这是最著名的两种。一旦我们建立了分类器，就可以在有限的类别范围内为我们预测数据向量可能指示的类别。作为示例，语音识别软件可以记录会议并尝试在任何给定时间记录有限数量的会议参加者中的哪些在讲话。构建此软件后，我们将为每个与会者提供仅名义上的号码，并尝试针对每个语音段将其分类为该号码。
• 模型：模型是您可以接受或拒绝的代表现象的功能（或一组功能集合）。这个词源于您可以应用领域知识来解释/预测现象的想法，尽管这不是必需的。非参数模型可能完全来自手头的数据，但结果通常仍称为模型。该术语强调了一个事实，即在构建模型时所构建的不是现实，而仅仅是现实的“模型”。正如乔治·博克斯（George Box）所说：“ 所有模型都是错误的，但有些模型是有用的 ”。建立模型可以预测，但这可能不是其目的。它也可以用来模拟或解释。