SEARCH

SEARCH BY CITATION

Keywords:

  • instance-based concept descriptions;
  • prediction;
  • incremental learning algorithms;
  • continuous functions;
  • learning theory;
  • description de concepts basés sur des instances;
  • prévision;
  • algorithmes d'apprentissage incrémentiel;
  • fonctions continues;
  • théorie de l'apprentissage

Instance-based representations have been applied to numerous classification tasks with some success. Most of these applications involved predicting a symbolic class based on observed attributes. This paper presents an instance-based method for predicting a numeric value based on observed attributes. We prove that, given enough instances, if the numeric values are generated by continuous functions with bounded slope, then the predicted values are accurate approximations of the actual values. We demonstrate the utility of this approach by comparing it with a standard approach for value prediction. The instance-based approach requires neither ad hoc parameters nor background knowledge.

Des représentations basées sur des instances ont été appliquées avec un certain succés à de nombreuses tǎches de classification. La plupart de ces applications nécessitait la prévision d'une classe symbolique basée sur des attributs observes. Cet article presente une méthode basée sur des instances servant à prédire une valeur numérique en fonction d'attributs observés. Les auteurs démontrent que, si les valeurs numériques sont produites par des fonctions continues avec pente limitée, les valeurs calculées constituent des approximations précises des valeurs réelles, compte tenu d'un nombre suffisant d'instances. Les auteurs illustrent l'utilité de cette méthode en la comparant à une approche standard de prévision des valeurs. La méthode basée sur les instances n'exige aucun paramètre ad hoc ou connaissance d'arrière-plan.