Instance based Learning ist ein flexibles und anpassungsfähiges Machine-Learning-Verfahren, bei dem das Modell anhand von beispielhaften Datensätzen Entscheidungen trifft. Es wird auch als Memory-Based Learning oder Lazy Learning bezeichnet, da die Vorhersagen auf den Trainingsdaten selbst basieren, anstatt explizite Modelle aus ihnen abzuleiten.

Das Instance based Learning Modell erhält Zugriff auf eine Datenbank, um Prognosen für neuen Input geben zu können. Die Idee ist, dass ähnliche Datenpunkte ähnliche Ergebnisse oder Eigenschaften aufweisen. Somit werden die Eingabe mit den vorhandenen Beispielen verglichen und anschließend die am besten passende Lösung ausgewählt. Dieser Ansatz ist von Vorteil, wenn die Daten lokal strukturiert sind und eine schnelle Anpassung an Änderungen in den Daten erforderlich ist. Es kann jedoch bei großen Datensätzen oder bei Datensätzen mit vielen irrelevanten Merkmalen weniger effektiv sein.

k-Nearest Neighbor (k-NN)

k-Nearest Neighbor ist ein nicht-parametrisches Verfahren, das Ähnlichkeiten zwischen Datenpunkten nutzt, um Vorhersagen für neue unbekannte Datenpunkte zu treffen. Es kann sowohl für Klassifikations- als auch für Regressionsanalysen verwendet werden. Das k-NN-Modell speichert beispielhafte Trainingsdaten, die aus Eingabe- und Ausgabepaaren bestehen. Wird eine neue Eingabe präsentiert, sucht das Modell nach ähnlichen Eingaben und gibt dann die entsprechenden Ausgabewerte zurück. Die Ähnlichkeit wird dabei üblicherweise mithilfe von Distanzfunktionen (z.B. euklidische Distanz) berechnet.

• A framework for detecting anomalies in HTTP traffic using instance-based learning and k-nearest neighbor classification (2010)

  Michael Kirchner 2010 2nd International Workshop on Security and Communication Networks (IWSCN) p1-8

  IEEE DOI:10.1109/iwscn.2010.5497997
• Instance Based Learning (2015)

  Peter Waiganjo Wagacha

  Unpublished DOI:10.13140/RG.2.1.4477.1284