Lat læring

Lat læring er en type læringsmetode innen kunstig intelligens. At en metode er lat, betyr at den ikke oppretter en klassifiseringsmodell av læringssettet før den får en spørring. Dette kommer med både positive og negative sider. Den positive siden er at problemet blir løst lokalt, noe som betyr at en metode kan løse flere problem samtidig, samtidig som det håndterer problemer i domenet bra. En negativ side ved late algoritmer er at man alltid må ha treningssettet tilgjengelig for å kunne klassifisere objekter, kontra å bare ha en modell klar for klassifiseringen. Siden man ved hver klassifisering må bruke hele treningssettet og gjøre hele algoritmen på nytt, kan det bruke lang tid dersom det er mange objekter å klassifisere. Dette kan dog i noen tilfeller bli gjort opp for av den raske/ikke-eksisterende læringsprosessen.

Ett eksempel på en lat algoritme er k-nærmeste nabo.

Kilder

• Baeza-Yates, R., & Ribeiro-Neto, B. (n.d.). Modern information retrieval, the concepts and technology behind search (pp. 299–300).
• Altman, N. S. (1992). An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression. The American Statistician. Retrieved from https://web.archive.org/web/20140521201427/http://www.stat.washington.edu/courses/stat527/s14/readings/Altman_AmStat_1992.pdf

Eksterne lenker

• Lazy Learning for Local Regression
• The Lazy Learning Package