Тип вывода (Inference Type)

Характеристика обобщающей способности алгоритма (Generalization Ability), определяющая, как модель работает с новыми данными, отсутствовавшими в обучающей выборке. **1. Индуктивный вывод (Inductive Learning):** Алгоритм строит решающую функцию (модель) $a: X \to Y$, которая аппроксимирует зависимость на всем пространстве признаков. * *Суть:* Обучение ($fit$) отделено от применения ($predict$). Мы «выучиваем» параметры (например, координаты центроидов $\mu_k$ или матрицу ковариации $\Sigma$). * *Пример:* K-Means. Если придет новая точка, мы просто найдем ближайший к ней центроид, не пересчитывая всё заново. **2. Трансдуктивный вывод (Transductive Learning):** Алгоритм не строит общей модели, а решает задачу разбиения только для *конкретного* конечного множества объектов $X^\ell$. * *Суть:* Метки кластеров выводятся из взаимного расположения всех точек выборки. Понятие «центра» может отсутствовать. * *Проблема:* Для классификации нового объекта $x_{new}$ необходимо добавить его в выборку и перезапустить процесс кластеризации с нуля. * *Пример:* DBSCAN, Spectral Clustering, Hierarchical Clustering.