सीखने की सबसे सरल संरचना सादा याद करना है, या रट्टा सीखना। क्योंकि प्रशिक्षण उदाहरणों का एक समूह याद किया गया है, एक नए उदाहरण का सामना करने पर मेमोरी की जांच की जाती है उस प्रशिक्षण उदाहरण के लिए जो नए से सबसे अधिक मेल खाता है।
एकमात्र समस्या यह स्पष्ट करना है कि "मेल खाता है" से क्या तात्पर्य है। पहला, यह उदाहरणों के एक समूह से निकाले गए "ज्ञान" का वर्णन करने का एक पूरी तरह से अलग तरीका है - यह उदाहरणों को स्वयं संग्रहीत करता है और उन मौजूदा उदाहरणों को जोड़कर काम करता है जिनकी कक्षा ज्ञात है, नए उदाहरणों से जिनकी कक्षा अज्ञात है। नियम बनाने की कोशिश करने के बजाय, सीधे उदाहरणों से ही काम करें। इसे इंस्टेंस-आधारित सीखना कहा जाता है।
इंस्टेंस-आधारित सीखने में, वास्तविक सारा काम तब पूरा होता है जब एक नए उदाहरण को परिभाषित करने का समय आता है, बजाय इसके कि जब प्रशिक्षण सेट प्रोसेस किया जाता है। इस दृष्टिकोण और दूसरों के बीच का अंतर जो देखा जा सकता है वह वह समय है जिस पर "सीखना" होता है।
इंस्टेंस-आधारित सीखना निष्क्रिय है, जहां तक संभव हो वास्तविक काम को टालता है, जबकि अन्य विधियां उत्सुक हैं, डेटा देखते ही सामान्यीकरण करती हैं। इंस्टेंस-आधारित वर्गीकरण में, प्रत्येक नए उदाहरण को दूरी मीट्रिक का उपयोग करके मौजूदा उदाहरणों से अलग किया जाता है, और निकटतम मौजूदा उदाहरण का उपयोग नए को कक्षा बनाने के लिए किया जाता है। इसे निकटतम-पड़ोसी वर्गीकरण विधि के रूप में जाना जाता है।
कभी-कभी एक से अधिक निकटतम पड़ोसी का उपयोग किया जाता है, और निकटतम k पड़ोसियों की बहुमत कक्षा (या यदि कक्षा संख्यात्मक है तो दूरी-भारित औसत) को नए उदाहरण को बनाया जाता है। इसे k-निकटतम-पड़ोसी विधि के रूप में परिभाषित किया जाता है।
जब नाममात्र विशेषताएं मौजूद होती हैं, तो उस विशेषता के कई मूल्यों के बीच एक "दूरी" के साथ आना आवश्यक है। विभिन्न विशेषताएं दूसरों की तुलना में अधिक महत्वपूर्ण होंगी, और यह आमतौर पर दूरी मीट्रिक में कई प्रकार के विशेषता भारण में परिलक्षित होता है। प्रशिक्षण समूह से उपयुक्त विशेषता भार बदलना इंस्टेंस-आधारित सीखने में एक आवश्यक समस्या है।
इंस्टेंस-आधारित प्रतिनिधित्व की एक स्पष्ट सीमा यह है कि वे सीखी गई स्पष्ट संरचना नहीं बनाते हैं। उदाहरण दूरी मीट्रिक के साथ जुड़कर सीमाओं को इंस्टेंस क्षेत्रों में विभाजित करते हैं जो एक कक्षा को दूसरी से अलग करते हैं, और यह ज्ञान का एक प्रकार का स्पष्ट विवरण है।
उदाहरण के लिए, दो कक्षाओं में से प्रत्येक के एकल उदाहरण को देखते हुए, निकटतम-पड़ोसी नियम उदाहरण स्पेस को उन उदाहरणों को जोड़ने वाली रेखा के लंबवत द्विभाजक के साथ कुशलतापूर्वक विभाजित करता है। प्रत्येक कक्षा के कई उदाहरण दिए जाने पर, स्पेस को रेखाओं के एक समूह द्वारा विभाजित किया जाता है जो एक कक्षा के एक उदाहरण को दूसरी कक्षा के एक उदाहरण से जोड़ने वाली चयनित रेखाओं के लंबवत द्विभाजकों को परिभाषित करते हैं।
