লার্নিং-এর সবচেয়ে সহজ স্ট্রাকচার হল সাদা মেমোরাইজেশন, বাрот লার্নিং। যেহেতু ট্রেনিং ইনস্ট্যান্সের একটি গ্রুপ মেমোরাইজ করা হয়েছে, একটি নতুন ইনস্ট্যান্স এনকাউন্টার করার সময় মেমরি খোঁজা হয় সেই ট্রেনিং ইনস্ট্যান্সের জন্য যা নতুনটির সাথে সবচেয়ে শক্তিশালীভাবে রেসেম্বল করে।
একমাত্র সমস্যা হল কীভাবে 'রেসেম্বলস' ক্লারিফাই করা যায়। প্রথমে, এটি একটি সম্পূর্ণ ভিন্ন পদ্ধতি 'নলেজ' ডেসক্রাইব করার জন্য যা একটি ইনস্ট্যান্স গ্রুপ থেকে এক্সট্র্যাক্ট করা হয়েছে - এটি ইনস্ট্যান্সগুলো নিজে সংরক্ষণ করে এবং কাজ করে নতুন ইনস্ট্যান্সগুলোকে অ্যাসোসিয়েট করে যাদের ক্লাস অজানা তাদের সাথে যাদের ক্লাস জানা। রুল তৈরির চেষ্টা করার বদলে, সরাসরি ইনস্ট্যান্সগুলো থেকে কাজ করুন। এটিকে ইনস্ট্যান্স-বেসড লার্নিং বলা হয়।
ইনস্ট্যান্স-বেসড লার্নিং-এর বৈশিষ্ট্য
ইনস্ট্যান্স-বেসড লার্নিং-এ, সমস্ত প্রকৃত কাজ তখন সম্পন্ন হয় যখন একটি নতুন ইনস্ট্যান্স ক্লাসিফাই করার সময় আসে, ট্রেনিং সেট প্রসেস হওয়ার সময় না। এই পদ্ধতি এবং অন্যগুলোর মধ্যে পার্থক্য যা দেখা যায় সেটি হল সেই সময় যখন 'লার্নিং' plaatsvindt।
ইনস্ট্যান্স-বেসড লার্নিং নিষ্ক্রিয়, সম্ভাব্য اللَّمسময়년까지 প্রকৃত কাজ বিলম্বিত করে, যেখানে অন্যান্য মেথডে আগ্রহী, ডেটা দেখা যাওয়ার সাথে সাথে জেনারালাইজ করে। ইনস্ট্যান্স-বেসড ক্লাসিফিকেশনে, প্রতিটি নতুন ইনস্ট্যান্স বিদ্যমানগুলো থেকে একটি ডিস্ট্যান্স মেট্রিক ব্যবহার করে আলাদা করা হয়, এবং নিকটতম বিদ্যমান ইনস্ট্যান্সটি ব্যবহার করা হয় নতুনটিতে ক্লাস অ্যাসাইন করার জন্য। এটিকে নিয়ারেস্ট-নেইবর ক্লাসিফিকেশন মেথড বলা হয়।
কখনও কখনও একাধিক নিকটতম নেইবর ব্যবহার করা হয়, এবং নিকটতম k নেইবরের মেজোরিটি ক্লাস (অথবা ডিস্ট্যান্স-ওয়েইটেড এভারেজ যদি ক্লাস নিউমেরিক হয়) নতুন ইনস্ট্যান্সকে অ্যাসাইন করা হয়। এটিকে k-নিয়ারেস্ট-নেইবর মেথড বলা হয়।
নোমিনাল অ্যাট্রিবিউট থাকলে, সেই অ্যাট্রিবিউটের বিভিন্ন ভ্যালুর মধ্যে একটি 'দূরত্ব' বের করা অতिआবশ্যক। বিভিন্ন অ্যাট্রিবিউট অন্যগুলোর চেয়ে বেশি গুরুত্বপূর্ণ, এবং এটি সাধারণত ডিস্ট্যান্স মেট্রিকে রিফ্লেক্ট করা হয় বিভিন্ন টাইপের অ্যাট্রিবিউট ওয়েইটিং দিয়ে। ট্রেনিং গ্রুপ থেকে উপযুক্ত অ্যাট্রিবিউট ওয়েট বের করা ইনস্ট্যান্স-বেসড লার্নিং-এ একটি গুরুত্বপূর্ণ সমস্যা।
সীমাবদ্ধতা
ইনস্ট্যান্স-বেসড রিপ্রেজেন্টেশনের একটি স্পষ্ট সীমাবদ্ধতা হল সেগুলো শেখা কোনো এক্সপ্লিসিট স্ট্রাকচার তৈরি করে না। ইনস্ট্যান্সগুলো ডিস্ট্যান্স মেট্রিকের সাথে কানেক্ট হয় বাউন্ডেরি ইনস্ট্যান্সড এলাকায় ভাগ করতে যা একটি ক্লাসকে অন্য থেকে আলাদা করে, এবং এটি এক ধরনের এক্সপ্লিসিট নলেজ ডেসক্রিপশন।
উদাহরণস্বরূপ, প্রতিটি দুটি ক্লাসের একটি একক ইনস্ট্যান্স দিয়ে, নিয়ারেস্ট-নেইবর রুল কার্যকরভাবে ইনস্ট্যান্স স্পেসকে পারপেন্ডিকুলার বাইসেক্টর দিয়ে ভাগ করে যা ইনস্ট্যান্সগুলোকে কানেক্ট করে। প্রতিটি ক্লাসের বেশ কিছু ইনস্ট্যান্স দিয়ে, স্পেসটি লাইনগুলোর একটি সেট দ্বারা বিভক্ত হয় যেগুলো নির্বাচিত লাইনগুলোর পারপেন্ডিকুলার বাইসেক্টর ডিফাইন করে যা একটি ক্লাসের ইনস্ট্যান্সকে অন্যটির সাথে লিংক করে।
