kNN 和 SVM 不是模型，它们是算法。

你的模型就是你要为你的数据假设的东西。例如， ：

• 均值未知但方差固定的高斯分布。
• 具有未知均值和方差的高斯分布。
• 有界的。
• 连续的。

在前两种情况下，模型是参数化的，因为除了有限数量的参数（第一种情况下的一个 - 均值，第二种情况下的两个 - 均值和方差）之外，它是完全已知的。在第三种和第四种情况下，模型是非参数的，因为您需要无限数量的参数来指定数据（您无法用有限数量的参数来描述所有有界或连续数据的集合）。

在参数模型中，您拥有更多信息，并且可以使用非常具体的算法（在我们的示例算法中，仅适用于高斯数据）。在非参数设置中，您必须使用更通用的算法，因为您对数据的假设更少。没有什么可以阻止您对参数模型使用通用的非参数算法，它们会起作用，但是您通常可以通过使用特定的算法做得更好。

kNN（甚至用高斯权重定义）是一种非参数算法，设计用于非参数模型，即非常通用的模型。SVM 的标签更复杂。基本 SVM 是线性分类器，也是参数算法。高级 SVM 可以处理非线性数据，如果您有一个 SVM 可以处理不受限制在由有限数量的参数描述的系列中的数据，那么它是非参数的。

PS：就像 Nicolas 所说，所有这些算法，参数或非参数（指的是他们工作的模型）也有你必须选择的参数（对于 kNN，$k$，最近邻居的数量）。