ใน การเรียนรู้ ของเครื่องการเรียนรู้แบบอิงอินสแตนซ์ (บางครั้งเรียกว่าการเรียนรู้แบบอิงหน่วยความจำ^{[ 1 ]} ) เป็นกลุ่มของอัลกอริธึมการเรียนรู้ที่แทนที่จะทำการสรุปผลอย่างชัดเจน จะเปรียบเทียบอินสแตนซ์ปัญหาใหม่กับอินสแตนซ์ที่เห็นในการฝึกอบรมซึ่งถูกเก็บไว้ในหน่วยความจำ เนื่องจากการคำนวณจะถูกเลื่อนออกไปจนกว่าจะสังเกตเห็นอินสแตนซ์ใหม่ อัลกอริธึมเหล่านี้จึงบางครั้งเรียกว่า "ขี้เกียจ" ^{[ 2 ]}

เรียกว่าการเรียนรู้แบบอิงอินสแตนซ์เนื่องจากสร้างสมมติฐานโดยตรงจากอินสแตนซ์การฝึกอบรมเอง^{[ 3 ]} ซึ่งหมายความว่าความซับซ้อนของสมมติฐานสามารถเพิ่มขึ้นตามข้อมูลได้: ^{[ 3 ]}ในกรณีที่เลวร้ายที่สุด สมมติฐานคือรายการของ รายการฝึกอบรม nรายการ และความซับซ้อนในการคำนวณของการจำแนก อินส แตนซ์ใหม่เพียงรายการเดียวคือO ( n ) ข้อดีอย่างหนึ่งของการเรียนรู้แบบอิงอินสแตนซ์เหนือวิธีการเรียนรู้ของเครื่องอื่นๆ คือความสามารถในการปรับโมเดลให้เข้ากับข้อมูลที่ไม่เคยเห็นมาก่อน ผู้เรียนแบบอิงอินสแตนซ์อาจจัดเก็บอินสแตนซ์ใหม่หรือทิ้งอินสแตนซ์เก่าไปก็ได้

ตัวอย่างของอัลกอริธึมการเรียนรู้แบบอิงอินสแตนซ์ ได้แก่อัลกอริธึมเพื่อนบ้านใกล้ที่สุดk ตัว , เครื่องเคอร์เนลและเครือข่าย RBF ^{[ 2 ] :บทที่ 8} อัลกอริทึมเหล่านี้จะเก็บ (ส่วนย่อยของ) ชุดข้อมูลฝึกฝน เมื่อทำนายค่า/คลาสสำหรับอินสแตนซ์ใหม่ อัลกอริทึมเหล่านี้จะคำนวณระยะทางหรือความคล้ายคลึงกันระหว่างอินสแตนซ์นี้กับอินสแตนซ์ฝึกฝนเพื่อทำการตัดสินใจ

เพื่อต่อสู้กับความซับซ้อนของหน่วยความจำในการจัดเก็บอินสแตนซ์การฝึกอบรมทั้งหมด รวมถึงความเสี่ยงของการโอเวอร์ฟิตกับสัญญาณรบกวนในชุดการฝึกอบรมจึงมีการเสนออัลกอริทึมการลดอินสแตนซ์^{[ 4 ]}

• การสร้างแบบจำลองเชิงเปรียบเทียบ