循例学习

循例学习（英语：instance-based learning)，有时也称为记忆式学习(英语：memory-based learning)^[1]，是一系列学习算法，它不执行明确一般化，而是将新实例与训练过程中已储存在记忆体中的实例进行比较。由于计算被推迟到观察到新实例为止，因此这些算法有时被称为“迟缓”（英语：lazy，或依原文翻为“惰性”)。^[2]

它被称为循例，因为它直接从训练实例本身建立假设。^[3]这意味着假设复杂度会随着资料的增长而增长：[3] 在最坏的情况下，假设是n 个训练项目的列表，并且对单一新实例进行分类的计算复杂度为O(n)。与其他机器学习方法相比，循例学习的优势之一是能够使其模型适应以前未见过的资料。循例学习可以简单地储存新实例或丢弃旧实例。

基于实例的学习算法的范例有k-近邻算法、核方法和放射状基底函数网络。^[2]^{:ch. 8}这些储存其训练集（的子集）,当预测新实例的值/类别时，他们会计算该实例与训练实例之间的距离或相似性以做出决定。