3 Instance-based Learning3.1 Learni

3 Instance-based Learning
3.1 Learning Task and Framework
Instance-based learning algorithms are derived from the nearest neighbor pat-
tern classifier. This kind of algorithms store and uses only selected instances to
generate classification predictions by means of a distance function. The learning
task of these algorithms is supervised learning from examples.
Each instance is represented by a set of attribute-value pairs, and all instances
are described by the same set of attributes. This set of attributes defines
an -dimensional instance space. One of the attributes must be the category
attribute and the other attributes are predictor attributes.
The primary output of an Instance-based learning algorithmis a function that
maps instances to categories called concept description; this concept description
includes a set of stored instances and, possibly, information about the classifiers
past performance. The set of stored instances can be modified after each training
instance is processed. All Instance-based learning algorithms are described by
the following three characteristics:
1. Similarity function: computes the similarity between a training instance
and the instances stored in the concept description. The similarities are
numerical-valued.
2. Classification function: This function receives the results of the similarity
function and the performance records stored in the concept description. It
yields to a classification for the training instance .

Results (Indonesian) 1:

3 contoh-based Learning3.1 belajar tugas dan kerangkaAlgoritma berbasis contoh pembelajaran yang berasal dari terdekat tetangga pat-Dara-laut classifier. Algoritma semacam ini menyimpan dan menggunakan hanya beberapa contoh untukmenghasilkan prediksi classification dengan fungsi kaki. Belajartugas algoritma ini diawasi belajar dari contoh-contoh.Setiap contoh diwakili oleh satu set nilai atribut pasangan, dan semua contohdijelaskan oleh serangkaian atribut yang sama. Set defines atribut- Ruang Dimensi misalnya. Salah satu atribut harus Kategoriatribut dan atribut lainnya adalah prediktor atribut.Hasil utama dari pembelajaran berbasis contoh algorithmis fungsi yangpeta contoh untuk kategori yang disebut Deskripsi konsep; Deskripsi konsep initermasuk satu set contoh disimpan dan, mungkin, informasi tentang classifierskinerja masa lalu. Serangkaian contoh-contoh yang tersimpan dapat modified setelah pelatihan setiapcontoh diproses. Belajar semua contoh berbasis algoritma yang digambarkan olehtiga karakteristik sebagai berikut:1. kesamaan fungsi: menghitung kesamaan antara sebuah instance pelatihandan contoh-contoh disimpan dalam deskripsi konsep. Kesamaan yangnumerik-dihargai.2. Classification fungsi: fungsi ini menerima hasil kesamaanfungsi dan catatan kinerja yang disimpan dalam deskripsi konsep. Ituhasil untuk classification misalnya pelatihan.

Results (Indonesian) 2:

Berbasis Instance 3 Learning
Belajar Tugas dan Kerangka 3,1
algoritma pembelajaran Instance berbasis berasal dari tetangga terdekat-pola
tiga barang dikelompokkan er. Semacam ini algoritma toko dan hanya menggunakan operator contoh untuk
menghasilkan klasifikasi prediksi dengan cara fungsi jarak. The belajar
tugas algoritma ini diawasi belajar dari contoh.
Setiap contoh diwakili oleh satu set pasangan atribut-nilai, dan semua contoh
dijelaskan oleh atribut set yang sama. Ini set atribut mendefinisikan
ruang contoh berdimensi. Salah satu atribut harus kategori
. Atribut dan atribut lainnya atribut prediktor
Output utama dari pembelajaran berbasis Instance algorithmis fungsi yang
memetakan contoh untuk kategori yang disebut deskripsi konsep; deskripsi konsep ini
meliputi satu set contoh disimpan dan, mungkin, informasi tentang klasi fi ers
kinerja masa lalu. Himpunan contoh yang disimpan dapat dimodifikasi setelah setiap pelatihan
contoh diproses. Semua algoritma pembelajaran berbasis Instance dijelaskan oleh
tiga karakteristik berikut:
1. Fungsi Kesamaan: menghitung kesamaan antara contoh pelatihan
dan contoh yang tersimpan dalam deskripsi konsep. Kemiripannya
numerik bernilai.
2. Klasi fi kasi fungsi: Fungsi ini menerima hasil kesamaan
fungsi dan catatan kinerja yang tersimpan dalam deskripsi konsep. Ini
menghasilkan sebuah fi kasi klasi untuk contoh pelatihan.