在线学习和离线学习

在线学习和离线学习

一、简介

　　在机器学习领域，可以将学习算法分为离线学习和在线学习两种，需要根据数据选择不同的线性可分和线性不可分的核函数。

二、离线学习

　　离线学习通常称为批学习，是指对独立的数据进行训练，将训练所得的模型用于预测任务中。将全部数据放入模型中进行计算，一旦出现需要变更的部分，就需要通过再训练（retraining）的方式，如此一来将花费更长的时间，并且将全部数据全部存在服务器上非常占地方，对内存要求很高。离线学习的目标是根据训练样本构造一个分类器，使得真正训练的错误最小化。

 　　离线学习存在的问题：

　　　　1、 离线学习需要多次传递训练数据，由于数据量的二次尸检复杂度，导致处理效率太低；

　　　　2、离线学习需要分别在训练集和验证集上训练和选择，但在线学习不将训练与选择分离，不分割训练数据；

　　　　3、在批量学习设置中，通常假设数据是根据独立同分布设置的，但是在在线学习设置中，对训练数据的假设是宽松的或几乎没有的。

　　离线学习优点：简单

　　解决方案：定时重新批量学习，来适应环境的整体变换。

三、在线学习

　　在线学习也成为增量学习或适应性学习，是指对一定顺序下接收数据，每接收一个数据模型就会对它进行预测并对当前模型进行更新，然后处理下一个数据。这对模型的选择是一个完全不同的，更复杂的问题，需要混合假设更新和对每轮新到达示例的假设评估。换言之，只能访问之前的数据来回答当前的问题。

　　在在线学习算法中，我们不假设训练数据来自于某个概率分布或者随机过程。当有个训练实例x过来时，利用分类器对其进行分类。假设分类器输出的类别标签为l。那么当l不是实例x真正的类别标签，也即分类出错时，会产生一个罚值。分类器根据实例x的真正的类别标签以及罚值对分类器参数进行相应地调整，以更好地预测新的实例。目标是，在整个预测过程中，实例的罚值和尽可能小。

　　在下算法对数据的要求更加宽松，因此是更实用的算法。同时，它也是更实用的训练算法。例如，当我们区分一个邮件是否是紧急邮件时，在线算法显得更加合适。

　　在线算法比离线算法难度更大。事实上，一个好的在线算法可以很容易转换成一个同样好的离线算法，反之则不然。最后还需要指出的是，在线算法有时候在设计和分析上比离线算法更加简洁明了。

　　　

　　　在线学习：

　　　　 优点：及时反映新的数据环境变换

　　　　 问题：新的数据会带来不好的变化

　　　　 解决方案：需要加强对数据的监控，比如异常检测。

　　　　 适用范围：数据巨大、无法批量学习的环境。

致谢：

1、https://blog.csdn.net/weixin_42267615/article/details/102973252  在线学习和离线学习（详细）

2、https://blog.csdn.net/hedan2013/article/details/78011600  在线学习和离线学习（概括）

3、https://blog.csdn.net/yushiyin1314/article/details/105602285   离线训练和在线训练模式

4、https://www.cnblogs.com/zhangkanghui/p/11241807.html     机器学习的经典算法与应用

5、https://www.cnblogs.com/daiyl0320/articles/3344796.html  在线算法和离线算法的概念