Loading article…
機械学習において、インスタンスベース学習（メモリベース学習[1]と呼ばれることもある）は、明示的な一般化を実行する代わりに、新しい問題インスタンスを、メモリに保存されているトレーニングで確認されたインスタンスと比較する学習アルゴリズムのグループです。新しいインスタンスが観察されるまで計算が延期されるため、これらのアルゴリズムは「怠惰」と呼ばれることもあります。[2]
インスタンスベースと呼ばれるのは、トレーニングインスタンス自体から直接仮説を構築するためです。[3] これは、仮説の複雑さがデータとともに増大する可能性があることを意味します。[3]最悪の場合、仮説はn 個のトレーニング項目のリストであり、単一の新しいインスタンスを分類するための計算の複雑さはO ( n ) です。インスタンスベース学習が他の機械学習方法よりも優れている点の 1 つは、モデルをこれまでに見たことのないデータに適応させることができることです。インスタンスベース学習者は、単に新しいインスタンスを保存するか、古いインスタンスを破棄します。
インスタンスベースの学習アルゴリズムの例としては、k近傍法アルゴリズム、カーネルマシン、RBFネットワークなどがあります。[2] : ch. 8 これらはトレーニングセット（のサブセット）を保存し、新しいインスタンスの値/クラスを予測するときに、このインスタンスとトレーニングインスタンス間の距離または類似性を計算して決定を下します。
すべてのトレーニングインスタンスを保存するメモリの複雑さと、トレーニングセット内のノイズへの過剰適合のリスクに対処するために、インスタンス削減アルゴリズムが提案されている。[4]
参照
参考文献
- ^ Walter Daelemans ; Antal van den Bosch (2005).メモリベースの言語処理. Cambridge University Press.
- ^ ab Tom Mitchell (1997).機械学習. McGraw-Hill.
- ^ スチュアート・ラッセルとピーター・ノーヴィグ（2003年）。人工知能：現代的アプローチ、第2版、p.733。プレンティス・ホール。ISBN 0-13-080302-2
- ^ D. Randall Wilson、Tony R. Martinez (2000)。「インスタンスベース学習アルゴリズムの削減手法」。機械学習。