机器学习中的参数模型与非参数模型

机器学习中的参数模型和非参数模型是两种常见的建模方法。参数模型假设数据服从特定的分布，并通过估计参数来拟合数据。相反，非参数模型则不对数据的分布做出假设，而是直接从数据中学习模式和结构。本文将详细介绍参数模型和非参数模型的概念，并提供相应的源代码示例。

1. 参数模型
   参数模型是一种基于假设分布的建模方法。它假设数据服从某个已知的概率分布，例如高斯分布或伯努利分布。通过估计分布的参数，可以对数据进行建模和预测。

常见的参数模型包括线性回归、逻辑回归和朴素贝叶斯分类器。下面是一个简单的线性回归示例：

import numpy as np
from sklearn.linear_model import LinearRegression

# 生成随机数据
np.random.seed(0