인스턴스 기반 학습

Instance-based learning

머신러닝에서 인스턴스 기반 학습(기억 기반 학습이라고도[1] 함)은 명시적인 일반화를 수행하는 대신 새로운 문제 사례를 메모리에 저장되어 있는 훈련에서 보이는 인스턴스와 비교하는 학습 알고리즘의 계열이다.새로운 인스턴스(instance)가 관찰될 때까지 연산이 연기되기 때문에, 이러한 알고리즘을 "지옥한"이라고도 한다.[2]

그것은 훈련 인스턴스 자체로부터 직접 가설을 구성하기 때문에 인스턴스 기반이라고 불린다.[3]이는 데이터와 함께 가설의 복잡성이 커질 수 있음을 의미한다.[3] 최악의 경우 가설은 n개의 훈련 항목 목록이며 하나의 새로운 사례를 분류하는 계산상의 복잡성은 O(n)이다.인스턴스 기반 학습이 기계 학습의 다른 방법들에 비해 갖는 한 가지 장점은 이전에 보이지 않았던 데이터에 그것의 모델을 적응시키는 능력이다.인스턴스 기반 학습자는 단순히 새로운 인스턴스를 저장하거나 오래된 인스턴스를 버릴 수 있다.

인스턴스 기반 학습 알고리즘의 예로는 k-가장 가까운 이웃 알고리즘, 커널 머신, RBF 네트워크가 있다.[2]: ch. 8 이러한 교육 세트(일부 집합)는 새로운 예에 대한 가치/계급을 예측할 때 이 예와 교육 인스턴스 간의 거리 또는 유사성을 계산하여 결정을 내린다.

모든 교육 인스턴스를 저장하는 기억의 복잡성과 더불어 교육 세트의 노이즈에 과도하게 적응하는 위험과 싸우기 위해 인스턴스 감소 알고리즘이 제안되었다.[4]


참고 항목

참조

  1. ^ Walter Daelemans; Antal van den Bosch (2005). Memory-Based Language Processing. Cambridge University Press.
  2. ^ a b Tom Mitchell (1997). Machine Learning. McGraw-Hill.
  3. ^ a b 스튜어트 러셀과 피터 노비그(2003년).인공지능: 모던 어프로치, 제2판 733페이지.프렌티스 홀.ISBN 0-13-080302-2
  4. ^ D. Randall Wilson; Tony R. Martinez (2000). "Reduction techniques for instance-based learning algorithms". Machine Learning.
Stub icon

이 인공지능 관련 기사는 단조롭다.위키피디아를 확장하여 도울 수 있다.