En l'aprenentatge automàtic, l'aprenentatge mandrós és un mètode d'aprenentatge en què la generalització de les dades d'entrenament es retarda, en teoria, fins que es fa una consulta al sistema, a diferència de l'aprenentatge amb ganes, on el sistema intenta generalitzar les dades d'entrenament abans de rebre consultes.
La principal motivació per emprar l'aprenentatge gandul, com en l'algoritme K-nearest neighbors, utilitzat pels sistemes de recomanació en línia ("persones que van veure/comprar/escoltar aquesta pel·lícula/element/melodia també...") és que el conjunt de dades és s'actualitza contínuament amb noves entrades (per exemple, nous articles a la venda a Amazon, noves pel·lícules per veure a Netflix, nous clips a YouTube, nova música a Spotify o Pandora). A causa de l'actualització contínua, les "dades de formació" quedarien obsoletes en un temps relativament curt, especialment en àrees com ara llibres i pel·lícules, on es publiquen/estrenen contínuament nous best-sellers o pel·lícules/música d'èxit. Per tant, no es pot parlar realment d'una "fase de formació".
Els classificadors mandrosos són més útils per a conjunts de dades grans i que canvien contínuament amb pocs atributs que es consulten habitualment. Concretament, fins i tot si existeix un gran conjunt d'atributs (per exemple, els llibres tenen un any de publicació, autor/s, editor, títol, edició, ISBN, preu de venda, etc.), les consultes de recomanació es basen en molts menys atributs, com ara la compra. o visualització de dades de co-ocurrència i puntuacions dels usuaris dels articles comprats/visualitzats.
El principal avantatge obtingut en l'ús d'un mètode d'aprenentatge mandros és que la funció objectiu s'aproximarà localment, com en l'algorisme de k-veïn més proper. Com que la funció objectiu s'aproxima localment per a cada consulta al sistema, els sistemes d'aprenentatge mandrosos poden resoldre simultàniament diversos problemes i tractar amb èxit els canvis en el domini del problema. Al mateix temps, poden reutilitzar molts resultats teòrics i aplicats del modelatge de regressió lineal (sobretot PRESS statistic) i control. Es diu que l'avantatge d'aquest sistema s'aconsegueix si les prediccions utilitzant un únic conjunt d'entrenament només es desenvolupen per a pocs objectes. Això es pot demostrar en el cas de la tècnica k-NN, que es basa en instàncies i la funció només s'estima localment.
Exemples de mètodes d'aprenentatge mandrosos:
K-nearest neighbors, que és un cas especial d'aprenentatge basat en instàncies. Regressió local. Regles de Bayes ingènues i mandrosos, que s'utilitzen àmpliament en el programari comercial de detecció de correu brossa. Aquí, els emissors de correu brossa segueixen sent més intel·ligents i revisant les seves estratègies de correu brossa i, per tant, les regles d'aprenentatge també s'han d'actualitzar contínuament.
Referències
Categoria:Aprenentatge automàtic