Học lười (Lazy Learning) là gì?

Học lười là một loại học máy không xử lý dữ liệu huấn luyện cho đến khi cần đưa ra dự đoán. Thay vì xây dựng mô hình trong giai đoạn huấn luyện, các thuật toán học lười chờ đến khi gặp truy vấn mới. Phương pháp này lưu trữ và so sánh các ví dụ huấn luyện khi đưa ra dự đoán. Nó còn được gọi là học dựa trên mẫu (instance-based) hoặc học dựa trên bộ nhớ (memory-based).

Giải thích về Học lười

Các thuật toán học lười hoạt động bằng cách ghi nhớ dữ liệu huấn luyện thay vì xây dựng một mô hình tổng quát. Khi nhận được truy vấn mới, học lười sẽ truy xuất các mẫu tương tự từ tập huấn luyện và sử dụng chúng để tạo dự đoán. Mức độ tương tự giữa các mẫu thường được tính bằng các thước đo khoảng cách, như khoảng cách Euclid hoặc độ tương đồng cosine.

Một trong những thuật toán học lười phổ biến nhất là k láng giềng gần nhất (k-NN). Trong k-NN, k mẫu huấn luyện gần nhất với điểm truy vấn được xét đến, và nhãn của chúng được dùng để xác định nhãn cho truy vấn. Phương pháp học lười đặc biệt hiệu quả trong những tình huống có phân phối dữ liệu nền phức tạp hoặc dữ liệu huấn luyện nhiễu.

Ví dụ về ứng dụng Học lười trong thực tế

Học lười đã được ứng dụng trong nhiều lĩnh vực. Dưới đây là một vài ví dụ:

• Hệ thống gợi ý. Học lười được sử dụng rộng rãi trong các hệ thống gợi ý để đưa ra khuyến nghị cá nhân hóa. Bằng cách so sánh sở thích người dùng với những người dùng tương tự trong tập huấn luyện, thuật toán học lười có thể đề xuất các mục hoặc sản phẩm quan tâm, như phim, sách hoặc sản phẩm.
• Chẩn đoán y khoa. Học lười có thể được áp dụng trong các hệ thống chẩn đoán y khoa. Bằng cách so sánh triệu chứng và tiền sử bệnh của bệnh nhân với các ca tương tự trong dữ liệu huấn luyện, thuật toán học lười có thể hỗ trợ chẩn đoán bệnh hoặc gợi ý phương án điều trị phù hợp.
• Phát hiện bất thường. Thuật toán học lười hữu ích để phát hiện các điểm bất thường hoặc ngoại lai trong tập dữ liệu. Ví dụ, một thuật toán có thể phát hiện gian lận thẻ tín dụng bằng cách so sánh một giao dịch với các giao dịch lân cận dựa trên các yếu tố như vị trí và lịch sử. Nếu giao dịch bất thường, chẳng hạn phát sinh ở nơi rất xa với số tiền lớn, nó có thể bị gắn cờ là gian lận.

So sánh Học lười và mô hình Học siêng (Eager Learning)

Học lười đối lập với các phương pháp học siêng, như cây quyết định hoặc mạng nơ-ron, nơi mô hình được xây dựng trong giai đoạn huấn luyện. Dưới đây là một số khác biệt chính:

• Giai đoạn huấn luyện. Thuật toán học siêng xây dựng mô hình tổng quát dựa trên toàn bộ tập dữ liệu huấn luyện, trong khi thuật toán học lười hoãn việc xây dựng mô hình cho đến lúc dự đoán.
• Chi phí tính toán. Thuật toán học lười có thể tốn kém về tính toán trong lúc dự đoán vì cần tìm kiếm trong dữ liệu huấn luyện để tìm láng giềng gần nhất. Ngược lại, thuật toán học siêng thường dự đoán nhanh hơn sau khi mô hình đã được huấn luyện.
• Tính dễ diễn giải. Phương pháp học siêng thường dễ diễn giải hơn vì tạo ra các mô hình tường minh, như cây quyết định, có thể được con người dễ dàng hiểu. Ngược lại, phương pháp học lười dựa trên các mẫu đã lưu trữ và không cung cấp quy tắc hay mô hình tường minh.

Tự xây dựng mô hình học siêng của bạn với hướng dẫn Phân loại Rừng ngẫu nhiên này. Học cách trực quan hóa mô hình và hiểu quy trình ra quyết định của nó.

Lợi ích của Học lười là gì?

Học lười mang lại một số lợi thế:

• Tính thích ứng. Thuật toán học lười có thể thích ứng nhanh với dữ liệu mới hoặc thay đổi. Vì quá trình học diễn ra vào thời điểm dự đoán, chúng có thể bổ sung các mẫu mới mà không cần huấn luyện lại toàn bộ mô hình.
• Khả năng chống nhiễu ngoại lai. Thuật toán học lười ít bị ảnh hưởng bởi các điểm ngoại lai hơn so với phương pháp học siêng. Các điểm ngoại lai ít tác động đến dự đoán vì chúng không được dùng trong giai đoạn học.
• Tính linh hoạt. Khi xử lý các phân phối dữ liệu phức tạp và quan hệ phi tuyến, thuật toán học lười tỏ ra hiệu quả. Chúng có thể nắm bắt các ranh giới quyết định phức tạp bằng cách tận dụng thông tin lưu trong các mẫu huấn luyện.

Hạn chế của Học lười là gì?

Bên cạnh lợi ích, học lười có một số hạn chế cần cân nhắc:

• Thời gian dự đoán cao. Học lười có thể chậm hơn vào thời điểm dự đoán so với các phương pháp học siêng. Do cần tìm kiếm trong dữ liệu huấn luyện để tìm láng giềng gần nhất, chi phí tính toán có thể đáng kể, đặc biệt với các tập dữ liệu lớn.
• Yêu cầu lưu trữ. Thuật toán học lười cần lưu toàn bộ tập dữ liệu huấn luyện hoặc một tập con đại diện. Điều này có thể tốn bộ nhớ, nhất là khi xử lý các tập dữ liệu lớn với số chiều cao.
• Nhạy cảm với nhiễu. Nhiễu hoặc đặc trưng không liên quan trong dữ liệu huấn luyện có thể ảnh hưởng đáng kể đến độ chính xác dự đoán của mô hình học lười, vì chúng dựa trên so sánh trực tiếp với các mẫu đã lưu.
• Quá khớp. Thuật toán học lười dễ bị quá khớp khi tập dữ liệu huấn luyện nhỏ hoặc khi có quá nhiều mẫu được lưu. Quá khớp xảy ra khi mô hình ghi nhớ các mẫu huấn luyện, bao gồm cả nhiễu hoặc điểm ngoại lai, dẫn đến khả năng khái quát kém với dữ liệu chưa thấy.
• Thiếu minh bạch. Phương pháp học lười không cung cấp các mô hình hay quy tắc tường minh có thể dễ dàng diễn giải. Sự thiếu minh bạch này gây khó khăn khi muốn hiểu lý do đằng sau các dự đoán cụ thể hoặc trích xuất insight có thể hành động từ mô hình.

Cách chọn giữa Học lười và Học siêng

Theo kinh nghiệm của tôi, các thuật toán học lười như k láng giềng gần nhất hiệu quả trong việc gom cụm dữ liệu chưa gán nhãn, phát hiện bất thường và phân loại điểm dữ liệu vào các nhãn hiện có. Chúng là những mô hình đơn giản, dễ cập nhật, có thể xử lý dữ liệu mới với nỗ lực tối thiểu.

Tuy nhiên, các thuật toán học lười dự đoán chậm và không hoạt động tốt trong các ứng dụng yêu cầu dự đoán thời gian thực, như nhận diện khuôn mặt, thuật toán giao dịch chứng khoán, nhận dạng giọng nói và sinh văn bản.

Với những tác vụ nhạy thời gian như vậy, các thuật toán học siêng thường phù hợp hơn vì chúng xây dựng biểu diễn khái quát của dữ liệu huấn luyện.

Hơn nữa, các thuật toán học lười rất phù hợp cho học trực tuyến (online learning) vì chúng có thể dễ dàng cập nhật dữ liệu lưu trữ khi có mẫu mới, trong khi các thuật toán học siêng cần huấn luyện lại toàn bộ mô hình, việc này có thể tốn thời gian.

Ngược lại, học lười dễ bị ảnh hưởng bởi nhiễu trong dữ liệu do nhạy cảm với nhiễu ở các mẫu huấn luyện. Do đó, bạn phải tiền xử lý dữ liệu cẩn thận để loại bỏ nhiễu và điểm ngoại lai khi dùng các thuật toán học lười cho gom cụm hoặc hệ thống gợi ý.

Bạn muốn tìm hiểu thêm về AI và học máy? Hãy xem các tài nguyên sau:

• Khóa học Hiểu về học máy
• Nhập môn phân loại trong học máy
• Khóa học Giới thiệu về ChatGPT
• Tờ ghi nhớ học máy
• Học máy là gì?