懒惰学习

懒惰学习（lazy learning），理学-计算机科学技术-人工智能-机器学习-特征学习，机器学习领域中的一种学习方式。懒惰学习在训练阶段仅仅是把样本保存起来，训练时间开销为零，而等收到测试样本后再进行处理。与之对应的，那些在训练阶段就对样本进行学习处理的方法称为“急切学习”（eager learning）。懒惰学习的一个显著缺陷是其往往需要庞大的空间来存储训练样本，而且对应的在测试阶段也会比较耗时。懒惰学习方法主要有k-近邻学习、懒惰决策树。此外，朴素贝叶斯分类器既能够以懒惰学习方式也能以急切学习方式使用。k-近邻学习是一种常用的监督学习方法。它的工作机制如下：给定测试示例，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个邻居的信息来进行预测。通常，在分类任务中可使用投票法，即选择这k个样本中出现最多的类别标记作为预测结果；在回归任务中，可使用平均法，即将这k个样本的实值平均值作为预测结果；还可以基于距离远近进行加权平均或加权投票，距离越近的样本权重越大。懒惰决策树同样没有训练过程，而只是保留所有训练数据。