이전의 적절한 예를 식별하는 능력을 기반으로 경험에서 추론하는 인간의 능력. 감염을 진단하는 의사, 사기성 보험 자산에 플래그를 지정하는 청구 분석가, Morels를 가리키는 버섯 사냥꾼이 동일한 절차를 따르고 있습니다.
각자는 먼저 경험에서 동일한 사례를 인식한 다음 해당 방법에 대한 지식을 당면한 문제에 사용합니다. 이것이 기억 기반 추론의 중요성입니다. 알려진 데이터의 데이터베이스를 검색하여 새 데이터와 동일한 미리 분류된 레코드를 찾습니다. 이러한 이웃은 분류 및 계산에 사용됩니다.
메모리 기반 추론에는 다음과 같은 다양한 응용 프로그램이 있습니다. -
사기 감지 − 새로운 사기 사례는 알려진 사례와 동일합니다. MBR은 추가 조사를 위해 검색하고 플래그를 지정할 수 있습니다.
고객 반응 예측 − 제안에 응답할 가능성이 높은 다음 고객은 수락한 이전 고객과 동일할 수 있습니다. MBR은 단순히 다음 고객을 알아볼 수 있습니다.
의료 치료 − 주어진 환자에 대한 효율적인 치료는 동일한 환자에게 최상의 결과를 가져온 치료가 가능합니다. MBR은 최상의 결과를 만드는 치료법을 찾을 수 있습니다.
응답 분류 − 직업 및 시장에 대한 미국 인구 조사 양식의 응답 또는 사용자로부터 나타나는 불만을 포함한 자유 텍스트 응답은 고정된 코드 세트로 분류되어야 합니다. MBR은 자유 텍스트를 처리하고 코드를 생성할 수 있습니다.
MBR의 장점은 정보를 사용하는 능력입니다. 여러 데이터 마이닝 방법과 달리 데이터 구조에 신경 쓰지 않습니다. 두 가지 연산의 연속에만 신경을 씁니다. 두 데이터 사이의 거리를 계산할 수 있는 거리 함수와 여러 이웃의 결과를 병합하여 답변에 나타날 수 있는 조합 함수입니다.
이러한 기능은 일반적으로 다른 분석 기술로 관리하기 복잡한 지리적 영역, 이미지 및 자유 텍스트를 포함하여 복잡하거나 특이한 데이터 유형이 있는 레코드와 같은 여러 유형의 레코드에 대해 정의됩니다.
MBR의 두 번째 강점은 수정 능력입니다. 단순히 새로운 기록을 기록 데이터베이스에 통합하는 것만으로도 MBR이 새로운 요소와 이전 요소의 새로운 정의를 이해하는 데 적용할 수 있습니다. 또한 MBR은 교육에 오랜 시간을 할애하거나 들어오는 정보를 올바른 형식으로 마사지하는 데 오랜 시간을 할애하지 않고도 최상의 결과를 만들어냅니다.
이러한 혜택은 유료입니다. MBR 영향은 많은 양의 기록 레코드가 이웃을 발견하는 데 쉽게 사용할 수 있어야 하기 때문에 리소스 호그가 됩니다. 새로운 데이터를 분류하려면 가장 유사한 이웃을 찾기 위해 모든 과거 데이터를 처리해야 할 수 있습니다. 이미 훈련된 신경망이나 이미 구성된 의사 결정 트리를 사용하는 것보다 더 느린 프로세스입니다. 약간의 시행 착오와 직관이 필요한 좋은 거리와 조합 기능을 찾는 것도 어렵습니다.