Algorithm 从泛化的角度看渴望学习者与懒惰学习者

根据有关数据挖掘的书籍，懒惰的学习者在没有泛化步骤的情况下对对象进行分类

---

我需要知道的是，如果数据集的大小有限，且准确度非常重要，且误报率非常低，我们可以在创建模型所需的速度等方面折衷，那么最好是什么？懒惰学习者还是渴望学习者？假设数据集不是非常高维的。

两者都可以用于此目的，例如，您可以使用KNN作为惰性学习者。如果低FP非常重要，您可以选择只有当KNN的所有k都被分类为真时，您才会被分类为真。@amit低FP确实很重要。由于数据集很小，因此每次创建新模型所需的时间较少。但随着数据集变得越来越大，应该选择什么？因为数据集可能会随着时间的推移而消失，甚至可能是其大小的两倍，因此旧模型将是不相关的。还有一种称为增量学习的方法。例如，决策树和决策林是热切的学习者，但以增量方式实现它们非常简单，因此您将获得的每个新示例都将添加到模型中，而无需重新计算。另外：培训时间是否是一个问题？如果数据集很小，那么学习时间预计也不会太长，就目前而言，我想说的是准确度要高得多。但如果需要基于web的实现，时间也将变得很重要。然后启发法就会发挥作用。