Lote versus aprendizaje en línea
Los modos en línea y por lotes son ligeramente diferentes, aunque ambos funcionarán bien para superficies de rendimiento parabólico. Una diferencia importante es que el algoritmo por lotes mantiene los pesos del sistema constantes mientras calcula el error asociado con cada muestra en la entrada. Dado que la versión en línea actualiza constantemente sus pesos, su cálculo de error (y, por lo tanto, la estimación del gradiente) usa pesos diferentes para cada muestra de entrada. Esto significa que los dos algoritmos visitan diferentes conjuntos de puntos durante la adaptación. Sin embargo, ambos convergen al mismo mínimo.
Tenga en cuenta que la cantidad de actualizaciones de peso de los dos métodos para la misma cantidad de presentaciones de datos es muy diferente. El método en línea (LMS) actualiza cada muestra, mientras que el lote actualiza cada época, es decir,
Actualizaciones de LMS = (actualizaciones por lotes) x (# de muestras en el conjunto de entrenamiento).
El algoritmo por lotes también es ligeramente más eficiente en términos de número de cálculos.