我正在研究一些机器学习方法，例如Python中的支持向量机，K最近邻和隔离林，但我对此有疑问，模型架构和有关这些方法的训练参数意味着什么？
答案 0 :(得分：1)
当您指代神经网络时，我建议您使用术语模型架构。您可以想到像Lego Blocks这样的模型架构。有不同的大小（每个隐藏层中的单元数）和颜色（不同的层：LSTM，卷积，线性/密集等），可用于构建所需的任何简单到复杂的体系结构。
您提到的机器学习模型：SVM，k-NN，Isolation Forest是受监督的算法，可让您执行分类或回归。这里没有架构。但是，每种算法都采用不同的方法来解决该问题。例如，SVM旨在在N维空间（ N =特征数量）中找到一个超平面，该超平面对数据点进行明显分类，而k-NN通过对其k的多次投票对数据点进行分类邻居。
有2种参数：模型参数和超参数。前者是在培训阶段学习的，后者必须在培训阶段之前设置。如果您的数据质量很好并且问题不是很复杂，那么您将在训练阶段通过优化算法学习正确的模型参数。但是，超参数是特定于问题的，并且在算法之间有所不同。例如，在SVM中，最重要的超参数之一是 C ，它是误差项的惩罚参数。它控制着平滑决策边界和正确分类训练点之间的折衷。
通常，选择默认的超参数不是一个好习惯，因此，我建议您执行超参数调整。这是link入门指南。
答案 1 :(得分：0)
好问题。模型体系结构就像建筑体系结构：您将哪些块放在一起来制造东西？例如，您是否制作了一个5层或2层的神经网络？每层有多少个神经元？
训练参数就像是对机器学习方式的细微调整。例如，您的树应该有几个分支？每个分支可以分裂多少次？
对于神经网络，您可以指定要训练多长时间。