Instance-based Learning

Wat is instance-based learning?

Instance-based learning is een vorm van machine learning waarbij het systeem geen algemeen model uit de data destilleert, maar simpelweg de voorbeelden zelf onthoudt. Komt er een nieuwe vraag binnen, dan zoekt het systeem de meest vergelijkbare opgeslagen voorbeelden op en baseert daar zijn antwoord op. Het wordt daarom ook wel memory-based learning of lazy learning genoemd: het echte werk gebeurt pas op het moment van de vraag, niet tijdens een trainingsfase.

Hoe werkt het?

Vergelijk het met een ervaren taxateur die geen formule hanteert, maar bij elke woning denkt: welke huizen die ik ken lijken hierop, en wat brachten die op? Het systeem slaat alle voorbeelden op, berekent bij nieuwe invoer de gelijkenis met die voorbeelden (bijvoorbeeld via de afstand tussen datapunten) en neemt een beslissing op basis van de meest gelijkende gevallen. Het bekendste algoritme is k-nearest neighbors: kijk naar de k meest vergelijkbare voorbeelden en neem daarvan de meerderheid of het gemiddelde. Voordeel: nieuw voorbeeld toevoegen is genoeg om bij te leren. Nadeel: bij grote datasets wordt elke voorspelling traag, omdat alle voorbeelden doorzocht moeten worden.

Wat heb je eraan als bedrijf?

Het principe “zoek vergelijkbare gevallen op” kom je in de praktijk vaker tegen dan je denkt: aanbevelingen (“klanten zoals jij kochten ook”), het inschatten van offertes op basis van eerdere projecten, of het vinden van vergelijkbare supporttickets. Ook moderne AI-assistenten die eerst relevante voorbeelden of documenten opzoeken voordat ze antwoorden, leunen op ditzelfde idee van zoeken op gelijkenis.

Gerelateerde begrippen

Het bekendste voorbeeld is k-nearest neighbors. Gelijkenis tussen datapunten wordt vaak gemeten in een feature space, en het contrast met modellen die wél een algemene formule leren zie je bij supervised learning en machine learning in brede zin.