일반화된 예시는 고차원이기 때문에 초사각형으로 알려진 인스턴스 영역의 직사각형 범위입니다. 새 인스턴스를 정의할 때 거리 함수를 변환하여 초사각형까지의 거리를 계산할 수 있도록 하는 것이 필수적입니다.
새로운 exemplar가 올바르게 정의되면 유사한 클래스의 가장 가까운 exemplar와 직접 병합하여 일반화됩니다. 가장 가까운 예시는 개별 인스턴스 또는 초사각형이 될 수 있습니다.
이 방법에서는 이전 인스턴스와 새 인스턴스를 포함하는 새 초사각형이 생성됩니다. 초사각형은 새 인스턴스를 둘러싸도록 확장됩니다. 마지막으로, 예측이 거짓이고 잘못된 예측에 대한 응답이 가능한 초사각형인 경우 초사각형의 경계가 수정되어 새로운 인스턴스에서 멀어질수록 감소합니다.
초사각형을 점유하거나 겹쳐서 발생하는 과잉 일반화를 허용할지 여부를 초기에 결정하는 것이 중요합니다. 방지해야 하는 경우 새 인스턴스를 일반화하기 전에 기능 영역의 일부 영역이 제안된 새 초사각형과 충돌하는지 여부를 확인하기 위해 검사가 생성됩니다. 일반화가 무효화되고 예제가 그대로 저장되는 경우. 겹치는 초사각형은 동일한 인스턴스가 규칙 집합의 여러 규칙에 의해 보호되는 위치와 정확히 관련됩니다.
일부 체계에서 일반화된 예시는 일부 설명에서 규칙에 예외가 있을 수 있는 것처럼 서로 완전히 포함될 수 있다는 점에서 수정될 수 있습니다.
이 두 번째 기회 구조는 초사각형의 중첩을 향상시킵니다. 인스턴스가 유사한 클래스의 전형을 포함하는 잘못된 클래스의 직사각형 내에 속하는 경우, 둘은 초기 것 내부에 중첩된 새로운 "예외" 초사각형으로 일반화됩니다. 고정된 일반화된 예시의 경우 학습 절차는 일반적으로 몇 개의 시드 인스턴스로 시작하여 동일한 클래스의 일부 인스턴스가 몇 가지 문제 영역을 포함하는 개별 직사각형으로 일반화되는 것을 방지합니다.
일반화된 모형의 경우 인스턴스에서 일반화된 모형 및 다른 인스턴스까지의 거리를 계산하기 위해 거리 함수를 일반화하는 것이 필수적입니다. 점이 초사각형 내부에 있는 경우 인스턴스에서 초사각형까지의 거리는 0으로 설명됩니다.
거리 함수를 일반화하여 외부 점에서 초사각형까지의 거리를 계산하는 가장 간단한 방법은 내부에서 가장 가까운 인스턴스를 선택하고 거기까지의 거리를 계산하는 것입니다. 그러나 이것은 특정 단일 예에 대한 의존성을 다시 도입하기 때문에 일반화의 이점을 감소시킵니다.