Това са два типа класификационни модели, базирани на начина, по който прогнозират върху невидяни данни
Обучение, базирано на екземпляри
Обучение, базирано на екземпляри са системите, които използват информация за данни за обучение за извършване на прогнозата. Те правят прогнозата главно въз основа на мярка за сходство. Този тип е известен още като базирано на паметта обучениеилимързеливо обучение.
Предимството на обучението, базирано на екземпляри, е, че то може да научи по-добре локални приближения или казано по друг начин, може да се представи добре при нелинейни данни,
Недостатъкът на обучението, базирано на екземпляри, е цената на извода . Високи изисквания към паметта, тъй като информацията за данни за обучение се изисква за прогнозиране и времевата сложност е най-вече O(n), където n е броят на обучителните проби.
Примери са KNN, обучение, базирано на казус и т.н
Моделно базирано обучение
Тук моделите сапараметризиранис определен брой параметри, които не се променят с промяната на размера на данните за обучение. Можете да генерализирате правилата под формата на модел, повечето от алгоритмите за класификация попадат в това категория. Най-вече параметрите са уравненията за границата на решение.
Това води до по-бързи изводи и по-ниски изисквания за памет за съхраняване на модела
