یادگیری مبتنی بر نمونه

در یادگیری ماشین ، یادگیری مبتنی بر نمونه ( یادگیری مبتنی بر حافظه[ ۱] ) خانواده ای از الگوریتم های یادگیری است که بجای صریحا تعمیم دادن، نمونه های جدید را با نمونه هایی که در آموزش دیده می شوند و در حافظه ذخیره شده اند مقایسه می کنند. از آنجایی که محاسبه، تا مشاهده نمونه جدید به تعویق می افتد، گاهی اوقات به این الگوریتم ها «تنبل» می گویند. [ ۲]
به دلیل آنکه فرضیه ها مستقیماً از خود نمونه های آموزشی ساخته می شوند به آن مبتنی بر نمونه می گویند. یعنی پیچیدگی فرضیه می تواند با داده افزایش پیدا کند: [ ۳] در بدترین حالت، یک فرضیه فهرستی از n مورد آموزشی است و پیچیدگی محاسباتی طبقه بندی یک نمونه جدید O ( n ) است. یکی از مزیت هایی که یادگیری مبتنی بر نمونه نسبت به سایر روش های یادگیری ماشین دارد، توانایی آن در تطبیق خود با داده های جدید است. این مدل ها به سادگی ممکن است یک نمونه جدید را ذخیره کنند و یا یک نمونه قدیمی را دور بریزند.
• طبقه بندی کننده پر هزینه ای میباشد زیرا تمام نمونه های آموزشی را ذخیره می کند
• تحمل نویز در صفات نمونه ها را ندارند
• تحمل صفات غیر مرتبط در نمونه ها را ندارند
• حساس به انتخاب "تابع شباهت" در الگوریتم هستند
• راه حل بدیهی برای استفاده از کمیت های اسمی در این الگوریتم وجود ندارد
• با توجه با ساختار داده ها اطلاعات قابل استفاده کمی از آن ها استخراج می کنند
[ ۴]
نمونه هایی از الگوریتم های یادگیری مبتنی بر نمونه عبارتند از الگوریتم k نزدیک ترین همسایه ، ماشین های کرنل و شبکه های RBF . این مدل ها، مجموعه آموزشی خود ( یا بخشی از آن ) را ذخیره می کنند و به هنگام پیش بینی برچسب ( یا یک مقدار ) برای یک نمونه جدید، بر اساس فاصله یا شباهت بین نمونه جدید و نمونه های آموزشی تصمیم گیری می کنند.
برای غلبه بر پیچیدگی حافظه ( ذخیرسازی تمام نمونه های آموزشی ) و همچنین خطر بیش برازش به نویز مجموعه آموزش، الگوریتم های کاهش نمونه ارائه شده اند. [ ۵]
• مدل سازی آنالوگ