Waarom is dit belangrijk?
Zo kunnen systemen een probleem blijven volgen dat steeds van vorm verandert, zonder het hele systeem telkens opnieuw in te richten. In het dagelijks werk zetten organisaties dit in bij spamfilters voor e-mail, omdat oplichters hun methoden voortdurend bijstellen. Werknemers merken dit in hun postvak, maar het systeem heeft veel opslag nodig en elke controle duurt langer bij een groeiende voorraad.
Zo werkt het in de praktijk
Aanbevelingssystemen gebruiken lazy learning via de k naaste buren. Netflix en Spotify vullen hun aanbod aan met nieuwe films en muziek. Het systeem zoekt vergelijkbare kijk- of luistergegevens en stelt verwante titels voor.
Onderzoekers testen lazy learning voor lokale modellen bij de sturing van systemen. Bontempi, Birattari en Bersini beschreven die aanpak in 1999 in het International Journal of Control. Onderzoekers zoeken ook snellere methoden, zoals de KD-tree en de ball tree.
Die aanpak hoort bij instance-based learning en lokale regressie, twee manieren om alleen nabije voorbeelden te gebruiken. Bij een klasse-indeling wint het label van de meeste buren. Bij een getal geldt hun gemiddelde, vaak via de Euclidische afstand.




