lazy learning (tsz. lazy learnings)
A lazy learning legfontosabb példája a k legközelebbi szomszéd algoritmus (k-NN).
Ahelyett, hogy tanulási idő alatt egy előre elkészített matematikai modellt építene, a lazy learning:
Jellemző | Leírás |
---|---|
Tanulási fázis | Gyors (nincs valódi tanulás) |
Lekérdezési fázis | Lassabb (összehasonlítás szükséges) |
Tárolás | Teljes tanulási halmaz megtartása |
Általánosítás | Lokális, nem globális |
Adaptivitás | Új adatok azonnal hozzáadhatók |
Példafüggés | A predikció mindig a tanulópéldákon alapul |
Tanulóadatok:
(1,2) → Alma (2,3) → Alma (6,5) → Körte (7,7) → Körte
Új pont: (3,2)
A 2 legközelebbi pont: (1,2) és (2,3) → mindkettő „Alma” → Predikció: Alma
Előny | Magyarázat |
---|---|
Nincs tanulási idő | Az algoritmus azonnal használható |
Nincs modellhiba | Mivel nincs előre gyártott modell |
Rugalmasság | Könnyen bővíthető új adatokkal |
Nemlineáris problémák kezelése | Nincs szükség explicit függvényre |
Többosztályos problémák kezelése | Természetes módon működik |
Hátrány | Magyarázat |
---|---|
Nagy tárhelyigény | Az összes példát tárolni kell |
Lassú lekérdezés | Minden predikcióhoz sok összehasonlítás kell |
Zajos adatokra érzékeny | Egyetlen hibás példa is befolyásolhatja az eredményt |
Paraméterérzékeny | Például: k választása k-NN-ben kritikus |
Nehéz általánosítani | Lokális döntések, nincs globális szabályrendszer |
Tulajdonság | Lazy Learning | Eager Learning |
---|---|---|
Példa | k-NN, távolságalapú osztályozók | döntési fa, neurális háló, SVM |
Tanulás | Nincs valódi tanulási lépés | Modell tanulása történik előre |
Predikció sebessége | Lassabb (összehasonlítás szükséges) | Gyors (készen van a modell) |
Modellépítés | Nem történik | Bonyolult lehet |
Memóriahasználat | Magas (tárol minden példát) | Alacsonyabb |
from sklearn.neighbors import KNeighborsClassifier
# Tanulóadatok
X = , , , ]
y =
# k-NN modell létrehozása
model = KNeighborsClassifier(n_neighbors=2)
model.fit(X, y)
# Új adat predikciója
pred = model.predict(])
print(pred) # ->
A lazy learning (lusta tanulás) egy egyszerű, de hatékony tanulási megközelítés, amely nem épít modellt előre, hanem minden döntést a lekérdezés pillanatában hoz meg, a tárolt példák alapján. Előnye a rugalmasság, hátránya a lassabb válaszidő és memóriahasználat. A legismertebb lazy learning algoritmus a k-NN, de az elv alkalmazható más, példafüggő módszereknél is.