nieparametrycznymi

Nieparametryczne odnosi się do metod statystycznych i algorytmów uczenia maszynowego, które nie zakładają ustalonego rozkładu prawdopodobieństwa dla danych. W przeciwieństwie do metod parametrycznych, które wymagają określenia parametrów takiego rozkładu (np. średniej i odchylenia standardowego dla rozkładu normalnego), metody nieparametryczne są bardziej elastyczne. Pozwalają na analizę danych, których rozkład jest nieznany lub złożony.

Główne cechy metod nieparametrycznych to ich niezależność od założeń dotyczących rozkładu danych. Oznacza to, że mogą być stosowane do szerokiej gamy problemów, gdzie dane niekoniecznie podążają za klasycznymi rozkładami, takimi jak normalny. Z tego powodu są one często określane jako "wolne od rozkładu" (distribution-free).

Przykłady metod nieparametrycznych obejmują test U Manna-Whitneya, test Wilcoxona dla prób zależnych, test Kruskala-Wallisa, analizę wariancji (ANOVA) opartą na rangach, k-najbliższych sąsiadów (KNN) oraz drzewa decyzyjne. Te metody często opierają się na rangach obserwowanych danych zamiast na ich bezpośrednich wartościach.

Zalety metod nieparametrycznych to ich odporność na wartości odstające i możliwość stosowania do danych porządkowych lub qualitatywnych. Mogą być również bardziej efektywne, gdy założenia dotyczące rozkładu danych w metodach parametrycznych są naruszone. Jednakże, w porównaniu do metod parametrycznych, które są optymalne dla danych spełniających ich założenia, metody nieparametryczne mogą wymagać większych rozmiarów próby do osiągnięcia porównywalnej mocy statystycznej.