循例學習（英語：instance-based learning)，有時也稱為記憶式學習(英語：memory-based learning)[1]，是一系列學習演算法，它不執行明確一般化，而是將新實例與訓練過程中已儲存在記憶體中的實例進行比較。由於計算被推遲到觀察到新實例為止，因此這些演算法有時被稱為“遲緩”（英語：lazy，或依原文翻為“惰性”)。[2]
它被稱為循例，因為它直接從訓練實例本身建立假設。[3]這意味著假設複雜度會隨著資料的增長而增長：[3] 在最壞的情況下，假設是n 個訓練項目的列表，並且對單一新實例進行分類的計算複雜度為O(n)。與其他機器學習方法相比，循例學習的優勢之一是能夠使其模型適應以前未見過的資料。循例學習可以簡單地儲存新實例或丟棄舊實例。
基於實例的學習演算法的範例有k-近鄰演算法、核方法和放射狀基底函數網路。[2]: ch. 8 這些儲存其訓練集（的子集）,當預測新實例的值/類別時，他們會計算該實例與訓練實例之間的距離或相似性以做出決定。
参閲
编辑參考資料
编辑- ^ Walter Daelemans; Antal van den Bosch. Memory-Based Language Processing. Cambridge University Press. 2005.
- ^ 2.0 2.1 Tom Mitchell. Machine Learning. McGraw-Hill. 1997.
- ^ Stuart Russell and Peter Norvig (2003). Artificial Intelligence: A Modern Approach, second edition, p. 733. Prentice Hall. ISBN 0-13-080302-2
- ^ D. Randall Wilson; Tony R. Martinez. Reduction techniques for instance-based learning algorithms. Machine Learning. 2000.
 | 这是一篇人工智能相关小作品。您可以通过编辑或修订扩充其内容。 |
