CBR là viết tắt của Case-based reasoning (Lý luận dựa trên trường hợp). Bộ phân loại CBR cần cơ sở dữ liệu giải pháp vấn đề để làm rõ vấn đề mới. Khác với bộ phân loại nearest-neighbor, lưu tuple huấn luyện như điểm trong không gian Euclidean, CBR lưu tuple hoặc "trường hợp" để giải quyết vấn đề dưới dạng biểu diễn ký hiệu phức tạp.
Có nhiều ứng dụng kinh doanh của CBR bao gồm giải quyết vấn đề cho bộ phận hỗ trợ khách hàng, nơi trường hợp mô tả vấn đề chẩn đoán liên quan sản phẩm. CBR đã được áp dụng vào lĩnh vực kỹ thuật và luật, nơi trường hợp là thiết kế kỹ thuật hoặc phán quyết pháp lý, tương ứng.
Giáo dục y tế là ứng dụng của CBR, nơi lịch sử bệnh án và điều trị bệnh nhân được dùng để hỗ trợ chẩn đoán và xem xét bệnh nhân mới. Khi cho một trường hợp mới để định nghĩa, người lý luận dựa trên trường hợp sẽ kiểm tra nếu trường hợp huấn luyện tương tự tồn tại. Nếu tìm thấy, giải pháp đi kèm trường hợp đó được khôi phục.
Nếu không tìm thấy trường hợp có thể hoán đổi, người lý luận dựa trên trường hợp sẽ tìm kiếm trường hợp huấn luyện có yếu tố tương tự với trường hợp mới. Các trường hợp huấn luyện này có thể được coi như láng giềng của trường hợp mới.
Nếu trường hợp được định nghĩa như đồ thị, điều này bao gồm tìm kiếm đồ thị con tương tự đồ thị con bên trong trường hợp mới. Người lý luận dựa trên trường hợp cố gắng điều chỉnh giải pháp của các trường hợp huấn luyện láng giềng để đề xuất giải pháp cho trường hợp mới. Nếu sự không tương thích xuất hiện với các giải pháp đơn lẻ, do đó quay lùi (backtracking) để tìm giải pháp khác có thể cần thiết.
Người lý luận dựa trên trường hợp có thể dùng kiến thức nền và phương pháp giải quyết vấn đề để đề xuất giải pháp kết hợp có thể. Có nhiều thách thức trong lý luận dựa trên trường hợp bao gồm tìm phép đo tương đồng tốt (ví dụ: kết nối đồ thị con) và phương pháp phù hợp kết hợp giải pháp.
Thách thức khác bao gồm chọn đặc trưng nổi bật để lập chỉ mục trường hợp huấn luyện và phát triển kỹ thuật lập chỉ mục hiệu quả. Sự đánh đổi giữa độ chính xác và hiệu quả phát triển khi số trường hợp lưu trữ trở nên rất lớn.
Có hai phương pháp trong CBR:
- Khai phá dữ liệu chỉ là một yếu tố của quy trình KDD bao gồm truy cập nhiều tệp, làm sạch dữ liệu, và thực thi kết quả. Tìm kiếm khai phá dữ liệu cũng có thể tốn thời gian. Dữ liệu về kết quả tìm kiếm và toàn bộ quy trình KDD có thể lưu trong trường hợp để không tốn thời gian khai phá cùng dữ liệu nhiều hơn một lần.
- CBR có thể dùng để hỗ trợ một số kiến thức nền về tự nhiên trong cơ sở dữ liệu, ví dụ, trọng số đặc trưng cho bộ phân loại có thể học từ công cụ CBR. Trong mạng Bayes, cơ chế mạng có thể được thiết lập bởi công cụ CBR (xây dựng mô hình), sử dụng "kiến thức chuyên gia" và tham số học bằng thuật toán DM.