Worldlex Wiki En apprentissage automatique , l'apprentissage par instances (parfois appelé apprentissage basé sur la mémoire ) est une famille d'algorithmes d'apprentissage qui, au lieu d'effectuer une généralisation explicite, comparent les nouvelles instances du problème avec les instances rencontrées lors de l'entraînement et stockées en mémoire. Comme le calcul est différé jusqu'à l'observation d'une nouvelle instance, ces algorithmes sont parfois qualifiés de « paresseux »
On parle d'apprentissage par instances car il construit des hypothèses directement à partir des exemples d'entraînement. Cela signifie que la complexité des hypothèses peut croître avec les données : dans le pire des cas, une hypothèse est une liste de n exemples d'entraînement et la complexité de calcul pour classifier une nouvelle instance est de O ( n ). Un avantage de l'apprentissage par instances par rapport aux autres méthodes d'apprentissage automatique est sa capacité à adapter son modèle à des données inédites. Les algorithmes d'apprentissage par instances peuvent simplement enregistrer une nouvelle instance ou supprimer une ancienne.
Des exemples d'algorithmes d'apprentissage basés sur les instances sont l' algorithme des k plus proches voisins , les machines à noyau et les réseaux RBF . Ceux-ci stockent (un sous-ensemble de) leur ensemble d'entraînement ; lors de la prédiction d'une valeur/classe pour une nouvelle instance, ils calculent les distances ou les similarités entre cette instance et les instances d'entraînement pour prendre une décision.
Pour lutter contre la complexité de la mémoire liée au stockage de toutes les instances d'entraînement, ainsi que contre le risque de surapprentissage au bruit dans l'ensemble d'entraînement, des algorithmes de réduction d'instances ont été proposés.