CBR là viết tắt của lý luận dựa trên tình huống. Các nhà phân loại CBR cần một cơ sở dữ liệu về các giải pháp vấn đề để làm rõ các vấn đề mới. Không giống như các bộ phân loại láng giềng gần nhất, lưu các bộ giá trị đào tạo dưới dạng điểm trong không gian Euclide, CBR lưu các bộ giá trị hoặc “trường hợp” để giải quyết vấn đề dưới dạng biểu diễn tượng trưng khó.
Có nhiều ứng dụng kinh doanh khác nhau của CBR bao gồm giải quyết vấn đề cho bàn trợ giúp dịch vụ khách hàng, trong đó các trường hợp mô tả các vấn đề chẩn đoán liên quan đến sản phẩm. CBR đã được sử dụng cho các lĩnh vực bao gồm kỹ thuật và luật, trong đó các trường hợp là thiết kế kỹ thuật hoặc phán quyết pháp lý.
Giáo dục y tế là một ứng dụng cho PHCNDVCĐ, trong đó lịch sử trường hợp bệnh nhân và phương pháp điều trị được sử dụng để hỗ trợ chẩn đoán và xem xét bệnh nhân mới. Khi được cung cấp một trường hợp mới để xác định, trình lý luận dựa trên trường hợp sẽ kiểm tra xem một trường hợp huấn luyện giống hệt nhau có tiếp tục hay không. Nếu một lỗi được phát hiện, thì giải pháp kèm theo cho trường hợp đó sẽ được khôi phục.
Nếu không phát hiện ra trường hợp hoán đổi cho nhau, thì trình lý luận dựa trên trường hợp sẽ tìm kiếm các trường hợp huấn luyện có các phần tử giống với các phần tử của trường hợp mới. Các trường hợp huấn luyện này có thể được coi là hàng xóm của trường hợp mới.
Nếu các trường hợp được định nghĩa là đồ thị, thì điều này bao gồm việc tìm kiếm các đồ thị con giống với các đồ thị con bên trong trường hợp mới. Người lý luận dựa trên tình huống cố gắng thiết lập các giải pháp của các trường hợp huấn luyện lân cận để đề xuất một giải pháp cho trường hợp mới. Nếu sự không tương thích tăng lên với các giải pháp đơn lẻ, do đó, việc kiểm tra lại để tìm kiếm các giải pháp khác nhau có thể quan trọng.
Người lập luận dựa trên tình huống có thể sử dụng kiến thức nền tảng và phương pháp giải quyết vấn đề để đề xuất một giải pháp kết hợp khả thi. Có một số thách thức trong lập luận dựa trên tình huống bao gồm việc phát hiện ra một chỉ số tương đồng tốt nhất (ví dụ:để kết nối các đồ thị con) và các phương pháp phù hợp để kết hợp các giải pháp.
Có những thách thức khác bao gồm việc lựa chọn các tính năng nổi bật cho các trường hợp đào tạo lập chỉ mục và phát triển các kỹ thuật lập chỉ mục hiệu quả. Sự cân bằng giữa độ chính xác và hiệu quả phát triển khi số lượng trường hợp được lưu trữ trở nên rất lớn.
Có hai cách tiếp cận trong PHCNDVCĐ như sau -
-
Khai thác dữ liệu chỉ là một phần tử của quy trình KDD có thể bao gồm việc truy cập nhiều tệp, làm sạch dữ liệu và thực thi kết quả. Việc tìm kiếm khai thác dữ liệu cũng có thể tốn nhiều thời gian. Dữ liệu về kết quả tìm kiếm và toàn bộ quy trình KDD có thể được lưu trữ trong một hộp để không dành nhiều thời gian hơn cho việc khai thác cùng một dữ liệu nhiều lần.
-
CBR có thể được sử dụng để hỗ trợ một số kiến thức nền tảng về bản chất trong cơ sở dữ liệu, ví dụ, trọng lượng của các tính năng cho bộ phân loại có thể được hiểu từ công cụ CBR. Trong mạng Bayes, cơ chế của mạng có thể được thiết lập bằng công cụ CBR (xây dựng mô hình), sử dụng "kiến thức chuyên môn" của nó và các tham số hiểu được bằng các thuật toán DM.