Pourquoi l'apprentissage basé sur les instances est appelé apprentissage paresseux ?
Pourquoi l'apprentissage basé sur les instances est appelé apprentissage paresseux ?

Vidéo: Pourquoi l'apprentissage basé sur les instances est appelé apprentissage paresseux ?

Vidéo: Pourquoi l'apprentissage basé sur les instances est appelé apprentissage paresseux ?
Vidéo: Apprentissage par renforcement #5 : Introduction au Q-Learning 2024, Décembre
Anonim

Exemple - apprentissage basé comprend le voisin le plus proche, la régression pondérée localement et les cas basé méthodes de raisonnement. Exemple - basé les méthodes sont parfois appelé apprentissage paresseux méthodes car elles retardent le traitement jusqu'à ce qu'un nouveau exemple doit être classé.

De plus, que signifie le terme apprentissage basé sur les instances ?

Dans apprentissage automatique , exemple - apprentissage basé (parfois appelé mémoire- apprentissage basé ) est une famille de apprentissage algorithmes qui, au lieu d'effectuer une généralisation explicite, comparent un nouveau problème instances avec instances vus à l'entraînement, qui ont été stockés en mémoire.

De plus, qu'est-ce qu'un apprenant paresseux donne un exemple? Deux typiques exemples de apprentissage paresseux sont basés sur des instances apprentissage et Paresseux Règles Bayésiennes. Apprentissage paresseux s'oppose à désir d'apprentissage dans lequel la majorité du calcul se produit au moment de la formation.

Par la suite, on peut aussi se demander pourquoi KNN est appelé apprenant paresseux ?

K-NN est un apprenant paresseux car il n'apprend pas de fonction discriminante à partir des données d'apprentissage, mais « mémorise » l'ensemble de données d'apprentissage à la place. Par exemple, l'algorithme de régression logistique apprend ses poids de modèle (paramètres) pendant le temps de formation.

Qu'est-ce qu'un algorithme d'apprentissage paresseux ?

UNE algorithme d'apprentissage paresseux est simplement un algorithme où le algorithme généralise les données après une requête. Le meilleur exemple est KNN. K-Nearest Neighbors stocke essentiellement tous les points, puis utilise ces données lorsque vous y faites une requête.

Conseillé: