Khả năng của con người suy luận từ kinh nghiệm dựa trên khả năng xác định các ví dụ phù hợp từ quá khứ. Một bác sĩ chẩn đoán nhiễm trùng, một nhà phân tích yêu cầu cờ bảo hiểm tài sản gian lận, và người hút nấm nhận biết Morels đang tuân theo cùng một quy trình.
Mỗi người đầu tiên nhận biết các trường hợp tương tự từ kinh nghiệm và sau đó dùng kiến thức của họ về những phương pháp đó cho vấn đề tại hand. Đây là bản chất của reasoning dựa trên bộ nhớ (Memory Based Reasoning). Cơ sở dữ liệu các bản ghi đã biết được tìm kiếm để khám phá các bản ghi được phân loại trước tương tự với dữ liệu mới. Các láng giềng này được dùng cho phân loại và tính toán.
Có nhiều ứng dụng của Memory Based Reasoning như sau:
Phát hiện gian lận (Fraud detection) – Các trường hợp gian lận mới thường tương tự các trường hợp đã biết. MBR có thể khám phá và gắn cờ chúng để điều tra thêm.
Dự đoán phản hồi khách hàng (Customer response prediction) – Khách hàng tiếp theo có khả năng phản hồi một ưu đãi thường tương tự khách hàng trước đó đã phản hồi. MBR có thể đơn giản xác định các khách hàng có khả năng cao tiếp theo.
Điều trị y tế (Medical treatments) – Điều trị hiệu quả cho một bệnh nhân cho trước có khả năng là điều trị dẫn đến kết quả tốt nhất cho các bệnh nhân tương tự. MBR có thể khám phá điều trị tạo ra kết quả tốt nhất.
Phân loại phản hồi (Classifying responses) – Các phản hồi văn bản tự do, bao gồm những trên biểu mẫu Dân số Mỹ cho nghề nghiệp và thị trường hoặc khiếu nại từ người dùng, cần được phân loại thành một tập mã cố định. MBR có thể xử lý văn bản tự do và gán mã.
Điểm mạnh của MBR là khả năng sử dụng thông tin. Khác với nhiều phương pháp khai thác dữ liệu, nó không quan tâm về cấu trúc dữ liệu. Nó chỉ quan tâm về sự tồn tại của hai phép toán: hàm khoảng cách có khả năng tính khoảng cách giữa bất kỳ hai dữ liệu nào và hàm kết hợp có khả năng gộp kết quả từ nhiều láng giềng để đạt được câu trả lời.
Các hàm này được định nghĩa cho nhiều loại bản ghi, như bản ghi với kiểu dữ liệu phức tạp hoặc bất thường bao gồm vùng địa lý, hình ảnh, và văn bản tự do thường khó xử lý với các kỹ thuật phân tích khác.
Điểm mạnh thứ hai của MBR là khả năng thích ứng. Chỉ việc kết hợp bản ghi mới vào cơ sở dữ liệu lịch sử làm cho nó khả thi cho MBR học về các yếu tố mới và định nghĩa mới của các yếu tố trước. MBR cũng cho kết quả tốt nhất mà không cần thời gian dài dành cho huấn luyện hoặc xoa dầu dữ liệu đến định dạng đúng.
Những lợi ích này đến với chi phí. MBR xu hướng là một "resource hog" (tiêu tốn tài nguyên) vì lượng lớn bản ghi lịch sử phải sẵn sàng để khám phá láng giềng. Phân loại dữ liệu mới có thể yêu cầu xử lý tất cả dữ liệu lịch sử để tìm láng giềng tương đồng nhất – quá trình chậm hơn dùng mạng nơ-ron đã huấn luyện hoặc cây quyết định đã xây dựng. Cũng có khó khăn tìm hàm khoảng cách và kết hợp tốt, cần một chút thử sai và trực giác.