Войти
В машинном обучении обучение на основе экземпляров (иногда называется обучение на основе памяти ) - это семейство алгоритмов обучения, которые вместо выполнения 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. Это означает, что сложность гипотезы может расти вместе с данными: в худшем случае гипотеза представляет собой список из n обучающих элементов, а вычислительная сложность классификации одного нового экземпляра составляет O (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.
Примерами алгоритмов обучения на основе экземпляров являются алгоритм k-ближайших соседей, машины ядра и сети RBF. 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 при хранении всех обучающих экземпляров, а также с риском переобучения на шум в обучающем наборе, были предложены алгоритмы сокращения экземпляров.
.
