Aprendizado baseado em instâncias e baseado em modelos
Outras duas abordagens de ML diferem na forma como representam o conhecimento aprendido:
Aprendizado baseado em instâncias
O aprendizado baseado em instâncias é a forma mais simples de aprendizado — muitas vezes chamado de "aprendizado decorado" (learning by heart).
- O sistema memoriza os exemplos de treinamento
- Para classificar dados novos, compara com os exemplos memorizados usando uma medida de similaridade
- Pode ser generalizado construindo medidas de similaridade mais sofisticadas
Aprendizado baseado em modelos
No aprendizado baseado em modelos, construímos um modelo matemático dos dados.
- Escolhemos o tipo de modelo (linear, polinomial, etc.)
- O modelo é ajustado aos dados de treinamento
- Usamos o modelo para fazer previsões sobre dados novos
Exemplos para fixar
Exemplo 1 (Baseado em instâncias): Uma criança aprende a tabuada decorando: 7×8=56. Quando perguntam "quanto é 7×8?", ela recupera a resposta da memória. Um filtro de spam funciona de forma similar — memoriza e-mails marcados como spam e compara novos e-mails por similaridade.
Exemplo 2 (Baseado em modelos): Um cientista mede a temperatura e a pressão de um gás em vários pontos, ajusta uma reta (modelo linear) aos dados e usa a fórmula para prever a pressão em temperaturas que não mediu. Ele escolheu o modelo (reta) e usou os dados para calibrá-lo.
Exemplo 3 (Comparação): Imagine que você quer saber se um e-mail é spam. Na abordagem baseada em instâncias, você compara o e-mail com todos os spams que já viu — se é parecido com algum, é spam. Na abordagem baseada em modelos, você constrói uma fórmula (modelo) que calcula uma "pontuação de spam" com base em características do e-mail. A primeira memoriza; a segunda generaliza.