概率模型有哪些分类（线性概率模型优缺点）

概率模型可以分为参数模型和非参数模型两类。参数模型假设概率分布的参数是已知的，模型的目标是估计这些参数。常见的参数模型包括正态分布、泊松分布、伯努利分布等。

非参数模型则不需要对概率分布的参数做出假设，而是通过更为灵活的方法对分布进行建模。

常见的非参数模型包括核密度估计、K近邻算法、决策树等。此外，还有层次模型、混合模型、图模型等分类方式。不同的概率模型在不同的场景下有各自的优缺点，需要根据实际问题自行选择合适的模型。

概率模型可以分为两大类：参数模型和非参数模型。
其中，参数模型又可以分为：离散参数模型和连续参数模型。
离散参数模型是指概率分布的参数值只能取离散值的模型，例如伯努利分布、泊松分布等。
连续参数模型是指概率分布的参数值可以取连续值的模型，例如正态分布、指数分布等。
非参数模型是指模型中没有参数，或者说参数的数目不随样本的增加而增加的模型。
这类模型通常利用核密度估计等方法来进行估计。
总之，概率模型的分类可以帮助我们更好地理解和应用不同类型的概率模型，从而更加准确地描述数据和预测未来。