您要问的是基于实例的学习。k-最近邻（kNN）似乎是这些方法中最流行的，并且适用于各种问题领域。另一种基于实例的学习的通用类型是类比建模，它使用实例作为示例与新数据进行比较。

您将 kNN 称为使用训练的应用程序，但这是不正确的（您链接的 Wikipedia 条目在这方面有些误导）。是的，有“训练示例”（标记实例），但分类器不会从这些数据中学习/训练。相反，它们仅在您真正想要对新实例进行分类时使用，这就是为什么它被认为是“惰性”学习器的原因。

请注意，您有效提到的最近模板预测方法是 kNN 的一种形式，其中k=1余弦距离作为距离度量。

nsl-我是机器学习的初学者，所以请原谅这里的外行描述，但听起来您可能能够使用主题建模，例如潜在狄利克雷分析 (LDA)。它是一种广泛用于对文档进行分类的算法，根据它们所涉及的主题，基于找到的单词以及这些单词在整个语料库中的相对频率。我提出它主要是因为在 LDA 中没有必要提前定义主题。

由于 LDA 的帮助页面主要是为文本分析而编写的，为了将其应用于您的问题，我将使用的类比是： - 将每个基因表达或特征视为一个“单词”（有时在典型的 LDA 文本分类应用程序） - 将每个样本视为文档（即，它包含各种单词或基因表达） - 将签名视为预先存在的主题

如果我没记错的话，LDA 应该给出每个主题的加权概率，关于它在每个文档中的存在程度。

可能是 kNN 和朴素贝叶斯分类器。kNN 非常快，但是 NBC 可以分解很多。线性回归也是不涉及基于梯度的学习的一步解决方案，因此可能会有所帮助。LDA 是您的下一个选择。