Waarom is dit belangrijk?
Nieuwe vragen zijn daardoor snel te beantwoorden, terwijl ruis in de trainingsgegevens het resultaat minder snel verstoort. In het werk verwerken organisaties zo grote aantallen aanvragen met een compact model dat weinig opslagruimte nodig heeft. Medewerkers krijgen hierdoor snelle antwoorden bij terugkerende taken, maar het model benadert lokale patronen in de gegevens minder goed en mist daar soms concrete details.
Zo werkt het in de praktijk
Onderzoekers van de Universidade Federal de Minas Gerais gebruikten eager learning voor spamdetectie. Het bedrijf UOL steunde het onderzoek, dat echte spamgegevens gebruikte. Het systeem bouwt in de trainingsfase één set regels en classificeert daarmee alle testberichten.
De onderzoeksvraag is wanneer één regelset voor alle berichten past. Eager learning maakt die set tijdens de training, terwijl lazy learning wacht tot een testbericht er is. De auteurs stelden ook een mengvorm voor die beide werkwijzen combineert.
Deze vorm van eager learning hoort bij associatieve classificatie. Dat is een dataminingmethode waarbij een regel kenmerken aan een klasse koppelt. Het algoritme CBA legt de regelset in de training vast en gebruikt die voor elk nieuw geval.




