El aprendizaje ponderado localmente es una clase de técnicas de aproximación de funciones, donde se realiza una predicción mediante el uso de un modelo local aproximado en torno al punto de interés actual.
El objetivo de la aproximación y regresión de funciones es encontrar la relación subyacente entre entrada y salida. En un problema de aprendizaje supervisado, los datos de entrenamiento, donde cada entrada está asociada a una salida, se utilizan para crear un modelo que predice valores que se acercan a la verdadera función. Todos estos modelos utilizan datos de entrenamiento completos para derivar la función global. Sin embargo, una desventaja de los métodos globales es que a veces ningún valor de parámetro puede proporcionar una buena aproximación suficiente. También los costos computacionales también son muy altos en tales casos.
Una alternativa a la aproximación de funciones globales es el aprendizaje ponderado localmente (LWL). Los métodos LWL no son paramétricos y la predicción actual se realiza mediante funciones locales que utilizan solo un subconjunto de datos. La idea básica detrás de LWL es que, en lugar de construir un modelo global para todo el espacio de funciones, para cada punto de interés se crea un modelo local basado en datos vecinos del punto de consulta.
- ¿Cuáles son algunas formas comunes en que el hardware se daña en una computadora?
- ¿Cuáles son las similitudes entre el aprendizaje automático y la econometría?
- ¿Cuál es la diferencia y la relación entre un proceso de Markov y un proceso de martingala?
- Di VITEEE ayer y espero poder obtener la admisión en VIT en Informática fácilmente. ¿Debo admitir allí o no?
- ¿Cómo se beneficiaría el mundo de la inteligencia artificial?
Un buen documento de referencia está disponible en: http: //www.ias.informatik.tu-dar…
