机器学习中有没有没有参数的模型？

是的。k-最近邻 是无参数的（只有一个超参数$k$）。

如果存在这样的无参数模型，那么它们的目的是什么？调整模型参数不是训练的重点吗？

确切地说：这样的模型根本不需要训练。k-NN 特别依赖于在预测时了解数据集。任何接近“训练”这个模型的东西都会将数据点推送到一个集合中，但这些不算作参数。

考虑多数规则的情况。在多数规则中，您检查训练集，检查哪个概念值是多数，并为每个样本返回它。

没有参数，有一个训练过程，分类器有一些价值（主要是作为基准或在极端情况下）。

请注意，“参数”一词有不同的含义，如果没有上下文，很难知道一个是什么意思。

人们可能会提到超参数，例如 k-nn 中的 k。

也可以参考“问题定义”参数，例如 k-nn 中使用的距离函数。

不同的含义实际上是模型的内容。我不确定这两个含义中的哪一个是引用使用的那个，以及我们询问它们的顺序是特征选择方法（意思是 2）还是叶子的路径（意思是 3）

最后一个（也是非常常见的定义）是参数模型中的一个参数，它是“可以使用有限数量的参数来描述的一系列分布。这些参数通常被收集在一起形成一个单一的 k 维参数向量θ = (θ1, θ2, ..., θk)。” 显然，这不是引用中使用的含义。