En el aprendizaje automático , el aprendizaje basado en instancias (a veces llamado aprendizaje basado en memoria [1] ) es una familia de algoritmos de aprendizaje que, en lugar de realizar una generalización explícita, comparan nuevas instancias del problema con instancias observadas en el entrenamiento, que se han almacenado en la memoria. Debido a que el cálculo se pospone hasta que se observa una nueva instancia, a estos algoritmos a veces se los denomina "perezosos". [2]
Se denomina aprendizaje basado en instancias porque construye hipótesis directamente a partir de las propias instancias de entrenamiento. [3] Esto significa que la complejidad de la hipótesis puede crecer con los datos: [3] en el peor de los casos, una hipótesis es una lista de n elementos de entrenamiento y la complejidad computacional de clasificar una única instancia nueva es O ( n ). Una ventaja que tiene el aprendizaje basado en instancias sobre otros métodos de aprendizaje automático es su capacidad de adaptar su modelo a datos nunca antes vistos. Los aprendices basados en instancias pueden simplemente almacenar una nueva instancia o descartar una instancia antigua.
Ejemplos de algoritmos de aprendizaje basados en instancias son el algoritmo de los k vecinos más cercanos , las máquinas kernel y las redes RBF . [2] : cap. 8 Estos almacenan (un subconjunto de) su conjunto de entrenamiento; al predecir un valor/clase para una nueva instancia, calculan distancias o similitudes entre esta instancia y las instancias de entrenamiento para tomar una decisión.
Para combatir la complejidad de la memoria que supone almacenar todas las instancias de entrenamiento, así como el riesgo de sobreajuste al ruido en el conjunto de entrenamiento, se han propuesto algoritmos de reducción de instancias . [4]