# 單純的呈現方式：Instance-based Representation
Instance-based representation 其實滿原始的，這個方式說穿了只是單純的「記憶」，把機器要學習的資料都存起來，如果遇到新的資料時，就比對新資料和舊資料的相似程度，來決定新資料屬於什麼分類。為什麼說原始呢，因為這個做法也滿接近人類的直觀思考的，只是去比比看兩個東西有沒有一樣或類似，而不是去找出他背後隱含的規則。

事實上 instance-based learning 在實作的時候，真正工作的時間都是花在比較新資料和現有的資料上面，這是跟其他學習法不太一樣的地方 ＸＤ

如何比較相似度

要比較兩個資料的相似度，這邊的做法是去比較他們的 distance，找到彼此之間距離最短的就是了，稱為 nearest-neighbor classification method。而還有一種跟這個方法很像的是，比較新資料落點附近的資料，拿它附近最多且最接近的 k 個資料作為分類的依據，稱為 k-nearest-neighbor classification。

那麼，要怎麼樣計算 "distance" 呢？

如果給你 sunny, overcast, rainy 這樣的屬性值，他們之間的距離究竟要怎麼算？
最簡單的方法是比較相等不相等，如果相等，距離=0，不相等，距離=1。

當然這個方法是很粗糙的，如果想要更精確地計算 distance ，就得研究看看有沒有辦法把這些 nominal 的資料轉換成 numeric 的。

另外屬性通常都會有比較重要、比較相關的，這時我們可以透過 weight 權重的方式來調整不同屬性的重要性。

既然是 instance-based，需要儲存所有的 instances 嗎？

如果今天有一百萬個 instances ，全部都存到系統中除了會浪費很多空間，加上 instance-based learning 的做法是去一一比較資料之間的距離，如果資料量太多會造成執行的效率低落，因此使用 instance-based representation 時要去考慮哪些資料要存，哪些資料不用存。

在規劃要丟掉哪些資料時，一個很重要的概念是，留下來的資料要能夠清楚（explicitly）分割不同 class 的 instances 之間的界線。

一個比較好懂的方法（我覺得啦）是用矩形來劃分，可以稱為 rectangular generalization，見下圖：

如果說新的資料落在矩形內，資料就屬於那個類別，如果落在任何矩形的外面，也可以用上面說的 nearest-neighbor method ，透過計算距離來決定新資料屬於什麼類別。

最後還有一個很重要的，雖然說 instance-based representation 可以應用在 nominal 的資料，但其實像 rectangular generalization 這樣的方法還是比較適合用在 numeric 資料上的。

Clusters 叢集

就跟他的名字一樣，clusters 其實就是資料群，把相同或相似的資料給圈成一個叢集。
叢集有很多種形式，一種是單純的把資料分群，把相同叢集的資料標上相同的記號。
某些算法會讓一個資料能夠同時屬於多個 clusters ，這時便可以用文氏圖（Venn diagram）來呈現該叢集結果。
另外有一種有階層概念的叢集，在上方的叢集可以分割成小的叢集。

參考資料

[1] http://www.tutorialspoint.com/data_mining/dm_cluster_analysis.htm