У машинному навчанні, леда́че навча́ння (англ. lazy learning) — метод навчання, в якому здійснення узагальнення над тренувальними даними відкладається до тих пір, поки не буде зроблено запит до системи, на противагу до [en], за якого система намагається узагальнити тренувальні дані до отримання запитів.
Основною перевагою, отримуваною від застосування методу ледачого навчання, такого як [en], є те, що цільова функція апроксимуватиметься локально, наприклад, як у методі найближчих k-сусідів. Оскільки цільова функція апроксимується локально для кожного запиту до системи, системи ледачого навчання можуть одночасно розв'язувати декілька задач, і успішно справлятися зі змінами в предметній області.
Недоліки, пов'язані з ледачим навчанням, включають вимогу великого простору для зберігання всіх тренувальних даних. Особливо зашумлені тренувальні дані роблять непотрібне збільшення об'єму бази прецедентів, бо протягом тренувальної фази не здійснюється жодного абстрагування. Іншим недоліком є те, що методи ледачого навчання, зазвичай, є повільнішими в оцінці, хоч це й доповнюється швидшою фазою тренування.
Ледачі класифікатори є найкориснішими для великих наборів даних з малою кількістю атрибутів.
Див. також
Джерела
- lazy: Lazy Learning for Local Regression [ 18 серпня 2016 у Wayback Machine.], пакунок для R з довідниковим посібником (англ.)
- . Архів оригіналу за 16 лютого 2012. (англ.)
Це незавершена стаття з технології. Ви можете проєкту, виправивши або дописавши її. |
Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет
U mashinnomu navchanni leda che navcha nnya angl lazy learning metod navchannya v yakomu zdijsnennya uzagalnennya nad trenuvalnimi danimi vidkladayetsya do tih pir poki ne bude zrobleno zapit do sistemi na protivagu do en za yakogo sistema namagayetsya uzagalniti trenuvalni dani do otrimannya zapitiv Osnovnoyu perevagoyu otrimuvanoyu vid zastosuvannya metodu ledachogo navchannya takogo yak en ye te sho cilova funkciya aproksimuvatimetsya lokalno napriklad yak u metodi najblizhchih k susidiv Oskilki cilova funkciya aproksimuyetsya lokalno dlya kozhnogo zapitu do sistemi sistemi ledachogo navchannya mozhut odnochasno rozv yazuvati dekilka zadach i uspishno spravlyatisya zi zminami v predmetnij oblasti Nedoliki pov yazani z ledachim navchannyam vklyuchayut vimogu velikogo prostoru dlya zberigannya vsih trenuvalnih danih Osoblivo zashumleni trenuvalni dani roblyat nepotribne zbilshennya ob yemu bazi precedentiv bo protyagom trenuvalnoyi fazi ne zdijsnyuyetsya zhodnogo abstraguvannya Inshim nedolikom ye te sho metodi ledachogo navchannya zazvichaj ye povilnishimi v ocinci hoch ce j dopovnyuyetsya shvidshoyu fazoyu trenuvannya Ledachi klasifikatori ye najkorisnishimi dlya velikih naboriv danih z maloyu kilkistyu atributiv Div takozhNavchannya na prikladahDzherelalazy Lazy Learning for Local Regression 18 serpnya 2016 u Wayback Machine pakunok dlya R z dovidnikovim posibnikom angl Arhiv originalu za 16 lyutogo 2012 angl Ce nezavershena stattya z tehnologiyi Vi mozhete dopomogti proyektu vipravivshi abo dopisavshi yiyi