25/1/261第4讲近邻分类25/1/262基于实例的学习概述•已知一系列的训练样例，许多学习方法为目标函数建立起明确的一般化描述。•基于实例的学习方法只是简单地把训练样例存储起来，从这些实例中泛化的工作被推迟到必须分类新实例的时候。•每当学习器遇到一个新的查询实例，它分析这个新实例与以前存储的实例的关系，并据此把一个目标函数值赋给新实例。25/1/263基于实例的学习概述•基于实例的学习方法包括：–假定实例可以表示成欧氏空间中的点•最近邻法•局部加权回归法–对实例采用更复杂的符号表示•基于案例的推理25/1/264基于实例的学习概述•基于实例的学习方法有时被称为消极学习法，它把处理工作延迟到必须分类新的实例时。•这种延迟的学习方法有一个优点：不是在整个实例空间上一次性地估计目标函数，而是针对每个待分类新实例作出局部的和相异的估计。25/1/265基于实例的学习概述•基于实例的学习方法的学习过程只是简单地存储已知的训练数据，当遇到新的查询实例时，一系列相似的实例从存储器中取出，用来分类新的查询实例。•与其他方法相比，基于实例的学习方法的一个关键差异是：可以为不同的待分类查询实例建立不同的目标函数逼近。25/1/266基于实例的学习概述•许多技术不建立目标函数在整个实例空间上的逼近，只建立局部逼近，并将其用于与新实例邻近的实例。•这样做的好处是：有时目标函数很复杂，但具有不太复杂的局部逼近描述。25/1/267基于实例的学习概述•基于实例的方法的不足：–分类新实例的开销可能很大。•几乎所有的计算都发生在分类时，而不是在第一次遇到训练样例时。如何有效地索引训练样例是一个重要的问题。–当从存储器中检索相似的训练样例时，一般考虑实例的所有属性，如果目标概念仅依赖于很多属性中的几个，那么真正最“相似”的实例之间可能相距甚远。25/1/268基于实例的学习概述•K-近邻算法和它的几个变体。•局部加权回归法，这是一种建立目标函数的局部逼近的学习方法，被看作k-近邻算法的一般形式。•基于案例的推理，是一种使用符号表示和基于知识的推理的方法。•径向基函数网络，为基于实例的学习算法和神经网络学习算法提供了一个有趣的桥梁。•消极学习方法和积极学习方法之间的差异。25/1/269K-近邻学习概述•不同于eager学习算法，K-近邻方法在训练阶段只是简单地把训练样例存储起来，把建模过程推迟到了要预测新实例的工作阶段。因此，K-近邻方法是一种典型的lazy学习算法。•k-近邻方法...
