WikiDer > Обучение на основе экземпляров

Instance-based learning

В машинное обучение, инстанционное обучение (иногда называют обучение на основе памяти[1]) - это семейство алгоритмов обучения, которые вместо явного обобщения сравнивают новые экземпляры проблемы с экземплярами, обнаруженными в процессе обучения, которые были сохранены в памяти.

Он называется на основе экземпляров, потому что он строит гипотезы непосредственно из самих обучающих примеров.[2]Это означает, что сложность гипотезы может расти вместе с данными:[2] в худшем случае гипотеза - это список п учебные предметы и вычислительная сложность классификация один новый экземпляр О(п). Одним из преимуществ обучения на основе экземпляров перед другими методами машинного обучения является его способность адаптировать свою модель к ранее невидимым данным. Обучающиеся на основе экземпляров могут просто сохранить новый экземпляр или выбросить старый.

Примеры алгоритмов обучения на основе экземпляров: kалгоритм ближайших соседей, ядерные машины и Сети RBF.[3]:гл. 8 Они хранят (часть) их обучающий набор; при прогнозировании значения / класса для нового экземпляра они вычисляют расстояния или сходства между этим экземпляром и обучающими экземплярами, чтобы принять решение.

Чтобы справиться со сложностью памяти, связанной с хранением всех обучающих экземпляров, а также с риском переоснащение к шуму в тренировочном наборе, сокращение экземпляра предложены алгоритмы.[4]


Смотрите также

Рекомендации

  1. ^ Уолтер Дэлеманс; Антал ван ден Бош (2005). Обработка языка на основе памяти. Издательство Кембриджского университета.
  2. ^ а б Стюарт Рассел и Питер Норвиг (2003). Искусственный интеллект: современный подход, издание второе, стр. 733. Прентис Холл. ISBN 0-13-080302-2
  3. ^ Том Митчелл (1997). Машинное обучение. Макгроу-Хилл.
  4. ^ Д. Рэндалл Уилсон; Тони Р. Мартинес (2000). «Редукционные методы для алгоритмов обучения на основе экземпляров». Машинное обучение.