Classificateur vs modèle vs estimateur

Quelle est la différence entre un classificateur, un modèle et un estimateur?

D'après ce que je peux dire:

• un estimateur est un prédicteur trouvé à partir d'un algorithme de régression
• un classificateur est un prédicteur trouvé à partir d'un algorithme de classification
• un modèle peut être à la fois un estimateur ou un classificateur

Mais en regardant en ligne, il semble que je puisse avoir ces définitions mélangées. Alors, quelles sont les véritables définitions dans le contexte de l'apprentissage automatique?

• estimateur: Ce n'est pas un mot avec une définition rigoureuse mais il est généralement associé à la recherche d'une valeur actuelle dans les données. Si nous ne comptions pas explicitement le changement dans notre poche, nous pourrions utiliser une estimation. Cela dit, dans l'apprentissage automatique, il est le plus souvent utilisé en conjonction avec l'estimation de paramètres ou l'estimation de densité. Dans les deux cas, on suppose que les données dont nous disposons actuellement se présentent sous une forme qui peut être décrite avec une fonction. Avec l'estimation des paramètres, nous pensons que la fonction est une fonction connue qui a des paramètres supplémentaires tels que le taux ou la moyenne et nous pouvons estimer la valeur de ces paramètres. Dans l'estimation de la densité, nous n'avons peut-être même pas d'hypothèse sur la fonction, mais nous tenterons d'estimer la fonction malgré tout. Une fois que nous avons une estimation, nous pouvons avoir à notre disposition un modèle.probabilité maximale .
• classificateur : cela fait spécifiquement référence à un type de fonction (et à l'utilisation de cette fonction) où la réponse (ou la plage en langage fonctionnel) est discrète. Par rapport à cela, un régresseur aura une réponse continue. Il existe d'autres types de réponses, mais ce sont les deux plus connus. Une fois que nous aurons peut-être construit un classifieur, il devrait nous prédire à partir d'une gamme finie de classes quelle classe un vecteur de données est susceptible d'indiquer. À titre d'exemple, un logiciel de reconnaissance vocale peut enregistrer une réunion et tenter d'enregistrer à tout moment quel nombre limité de participants à la réunion parle. En construisant ce logiciel, nous donnerions à chaque participant un numéro qui n'est que nominal et tenterions de le classer pour chaque segment de discours.
• modèle : Le modèle est la fonction (ou ensemble de fonctions regroupées) que vous pouvez accepter ou rejeter comme étant représentative de votre phénomène. Le mot vient de l'idée que vous pouvez appliquer les connaissances du domaine pour expliquer / prédire le phénomène bien que cela ne soit pas nécessaire. Un modèle non paramétrique peut être entièrement dérivé des données disponibles, mais le résultat est souvent encore appelé modèle. Cette terminologie met en évidence le fait que ce qui a été construit quand un modèle a été construit n'est pas la réalité mais seulement un «modèle» de réalité. Comme George Box l'a dit " Tous les modèles sont faux mais certains sont utiles ". Avoir un modèle vous permet de prédire mais ce n'est peut-être pas son objectif; il pourrait également être utilisé pour simuler ou expliquer.