懒惰

应该吧自己的想法写出来。算是一种自我激励和提醒。


对于我,懒惰的定义可能和别人不大一样。

从小时候,我们就被教育,所谓的懒惰就是好吃懒做,不做事情。

比如如果邻居天天天不亮就出去种田,而他要睡到中午起床,干活还拈轻怕重。那么,他的邻居就被冠以勤奋的称号,而他就是懒惰。

但是我们又一次一次的被历史,被现实教育:“懒惰”的人改变世界。

不想走路的人发明了车,不想写信的人发明了打字机,不想从床上起来换电视频道的人发明了遥控器,或许你平常看到吊儿郎当的同学成绩却异常优异,甚至或许不想种田的他会发明出自动播种机......

这时候,我们或许会开始纠结,究竟要懒惰还是勤奋?

其实我上面说的那么多人,并非懒惰,而开头说的天不亮就去种田的那位也未必就是勤奋。

好了,那我说一下我认为什么是懒惰吧。

懒惰,就是不想改变。不积极主动的去思考如何产生有益的改变,明知道现状不行,也知道如果做能够更好,却不愿意去做。

如果你现在为如果赚钱苦恼,因为你要养家,你要供房。但是薪水甚少,而且每日都做着枯燥无谓的重复劳动。但是你的责任感让你每天勤奋地工作,勤奋地加班,以至于老婆还是抱怨你不顾家。你开始抱怨生活为什么这么累,但是没有改变,依然按照曾经的痛苦的熟悉的方式生活。

在我看来这是一种懒惰。因为在不满现状的情况下,不积极去思考解决之道,不积极去实施解决之道,一成不变。

想要赚钱,但是不满目前的薪水。但是为什么宁愿每天做着大量的重复劳动而不去做一些能够给自己增值的,或者能够赚到更多钱的事情呢?

或许你会说:废话!如果有我为什么不去做啊。那就看你自己思考的积极程度了。大部分的机会是不会自己投怀送抱或者躺着地上的,是要自己积极去寻求的。这种寻求就是勤奋。

老婆孩子抱怨你不顾家,首先你自然要评价家庭的重要性已经每日的加班能够带来的幸福感和价值。要是如果一个快乐的家庭能够给你带来更多的快乐,为什么害怕改变,减少加班,自己不就更快乐了吗?

相信总有解决之道,相信自己总能够做的更好,相信生活总是美好的。

勤奋不仅包括了积极做事,还包括了积极思考如果改变,如果变得更好。然后再把自己想到的方案付诸实施。而现实中许多人忽略了思考改变,然后用勤奋的称号安慰自己,把失败的原因归结于时运不济或者他人身上,其实,这是一种懒惰。

根据我自己的定义,我现实中也总是犯懒惰的毛病,但是值得庆幸的是我知道即使自己双眼盯着书本一整天,也不一定能叫做勤奋的学习。更知道庆幸的是,我一直在努力该改掉自己的懒惰。
懒惰学习(Lazy Learning)”是机器学习中一类学习方法的统称,其核心特点是:**在训练阶段不做或做很少的模型构建工作,而是在预测阶段才进行大量计算**。 与之相对的是“积极学习(Eager Learning)”,比如决策树、神经网络、支持向量机等,它们在训练阶段就从数据中学习出一个明确的模型,然后在预测阶段直接使用这个模型进行推理。 --- ## ✅ 懒惰学习的定义 > **懒惰学习(Lazy Learning)** 是一种在预测阶段才根据训练数据进行推理的学习方法。它不提前构建模型,而是将训练数据“记住”,在遇到新的输入时,才根据这些数据进行计算和预测。 --- ## ✅ 最典型的懒惰学习算法:K近邻算法(KNN) KNN 是懒惰学习的代表算法。 ### KNN 的特点: - **训练阶段**:只保存训练集数据,不做任何模型训练 - **预测阶段**:对每一个测试样本,计算它与所有训练样本的距离,找出最近的 K 个邻居,然后根据这些邻居进行分类或回归 --- ### ✅ 代码示例:KNN作为懒惰学习的实现 ```python from sklearn.neighbors import KNeighborsClassifier from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split # 生成一个二分类数据集 X, y = make_classification(n_samples=100, n_features=2, n_informative=2, n_redundant=0, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建KNN分类器(K=3) knn = KNeighborsClassifier(n_neighbors=3) # 训练阶段(懒惰:只保存数据) knn.fit(X_train, y_train) # 预测阶段(才进行计算) y_pred = knn.predict(X_test) print("预测结果:", y_pred) ``` > 注意:`knn.fit()` 只是将训练数据保存下来,不做任何模型训练。 --- ## ✅ 懒惰学习 vs 积极学习 | 特点 | 懒惰学习 | 积极学习 | |------|-----------|-----------| | 训练时间 | 极快(只保存数据) | 较慢(构建模型) | | 预测时间 | 较慢(每次预测都要计算) | 快速(使用已训练好的模型) | | 存储开销 | 大(保存全部训练数据) | 小(保存模型参数) | | 对数据变化的适应性 | 好(新增数据可直接使用) | 差(需要重新训练) | | 示例算法 | KNN、基于实例的学习 | 决策树、SVM、神经网络 | --- ## ✅ 懒惰学习的优缺点 ### ✅ 优点: 1. **训练速度快**:不进行模型训练 2. **适应性强**:可以动态加入新数据而不必重新训练 3. **局部模型**:每个预测都是基于局部邻域,适合非线性关系 ### ❌ 缺点: 1. **预测速度慢**:每次预测都要计算与所有训练样本的距离 2. **内存消耗大**:需要保存全部训练数据 3. **对噪声敏感**:尤其是K较小时 4. **需要特征缩放**:因为是基于距离的,所以特征尺度要统一 --- ## ✅ 懒惰学习的其他例子 - **局部加权回归(Locally Weighted Regression, LWLR)** - **案例推理(Case-Based Reasoning, CBR)** - **基于实例的学习(Instance-Based Learning)** --- ## ✅ 总结 | 类型 | 是否构建模型 | 预测方式 | 代表算法 | |------|----------------|-------------|-------------| | 懒惰学习 | 否 | 基于训练数据计算 | KNN、LWLR | | 积极学习 | 是 | 使用训练好的模型 | 决策树、SVM、神经网络 | --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值