开始看统计学习理论这本书，开篇介绍了统计推理的参数和非参数方法。

参数方法：将从给定数据估计函数的估计问题，表达为特定模型的参数估计

问题；该方法基于如下理念：我们事先知道产生数据随机性质的物理规律和

欲求的函数仅与有限个参数有关.认为用观测数据估计参数是推理问题的本质。

为了用与统计规律和目标函数有关的信息求出这些参数，采用最大似然方法。

上述是经典的参数方法的基本思想，后续又发展出了基于经验风险最小化原则

的方法。

非参数方法：即通用方法，目的是为任何统计推理问题找到一种归纳方法。该

方法基于如下理念：

我们并没有关于问题固有的统计规律或关于欲逼近函数的可靠的先验信息。因此

有必要找到一种方法去推断给定实例上的一个近似函数。因此，相应的理论需：

1。描述一组条件，在这组条件 随实例数目的增加我们可以在给定的函数集中

找到未知函数的最佳逼近

2。在给定数量的实例中找到推理的最佳方法