CBR은 사례 기반 추론을 나타냅니다. CBR 분류자는 새로운 문제를 명확히 하기 위해 문제 솔루션 데이터베이스가 필요합니다. 훈련 튜플을 유클리드 공간의 점으로 저장하는 가장 가까운 이웃 분류기와 달리 CBR은 문제 해결을 위한 튜플 또는 "케이스"를 어려운 기호 표현으로 저장합니다.
CBR의 다양한 비즈니스 애플리케이션에는 고객 서비스 헬프 데스크에 대한 문제 해결이 포함되며, 사례는 제품 관련 진단 문제를 설명합니다. CBR은 기술 설계 또는 법적 판결이 있는 엔지니어링 및 법률 분야에 사용되었습니다.
의학 교육은 환자의 사례 기록 및 치료가 진단을 지원하고 새로운 환자를 고려하는 데 사용되는 CBR에 대한 응용 프로그램입니다. 정의할 새로운 사례가 주어지면 사례 기반 추론자는 동일한 훈련 사례가 계속되는지 테스트합니다. 하나가 발견되면 해당 사례에 대한 솔루션이 복원됩니다.
교환 가능한 사례가 발견되지 않으면 사례 기반 추론자는 새로운 사례와 동일한 요소를 갖는 훈련 사례를 검색합니다. 이러한 훈련 사례는 새로운 사례의 이웃으로 취급될 수 있습니다.
케이스가 그래프로 정의된 경우 여기에는 새 케이스 내부의 하위 그래프와 동일한 하위 그래프 검색이 포함됩니다. 사례 기반 추론자는 새로운 사례에 대한 솔루션을 제안하기 위해 인접 훈련 사례의 솔루션을 설정하려고 합니다. 단일 솔루션으로 비호환성이 증가하면 다른 솔루션을 찾기 위해 역추적하는 것이 중요할 수 있습니다.
사례 기반 추론자는 배경 지식과 문제 해결 방법을 사용하여 가능한 결합 솔루션을 제안할 수 있습니다. 사례 기반 추론에는 최상의 유사성 메트릭(예:하위 그래프 연결) 및 솔루션 결합에 적합한 방법을 찾는 것과 같은 몇 가지 문제가 있습니다.
다른 과제로는 인덱싱 훈련 사례를 위한 두드러진 기능의 선택과 효율적인 인덱싱 기술의 개발이 있습니다. 저장된 케이스의 수가 매우 많아짐에 따라 정확성과 효율성 사이의 균형이 발전합니다.
CBR에는 다음과 같은 두 가지 접근 방식이 있습니다 -
-
데이터 마이닝은 여러 파일에 액세스하고, 데이터를 정리하고, 결과를 실행하는 것을 포함할 수 있는 KDD 프로세스의 한 요소일 뿐입니다. 데이터 마이닝 검색에도 시간이 많이 걸릴 수 있습니다. 검색 결과 및 전체 KDD 프로세스에 대한 데이터를 케이스에 저장할 수 있으므로 동일한 데이터를 두 번 이상 마이닝하는 데 더 많은 시간이 소요되지 않습니다.
-
CBR은 데이터베이스의 자연에 대한 일부 배경 지식을 지원하는 데 사용할 수 있습니다. 예를 들어 분류기의 기능 가중치는 CBR 도구에서 이해할 수 있습니다. 베이지안 네트워크에서 네트워크 메커니즘은 "전문가 지식"을 활용하고 DM 알고리즘을 사용하여 매개변수를 이해하는 CBR 도구(모델 구성)에 의해 설정될 수 있습니다.