CBR,केस-आधारित तर्क के लिए खड़ा है। सीबीआर क्लासिफायर को नई समस्याओं को स्पष्ट करने के लिए समस्या समाधान के डेटाबेस की आवश्यकता होती है। निकटतम-पड़ोसी क्लासिफायरियर के विपरीत, जो यूक्लिडियन स्पेस में प्रशिक्षण टुपल्स को बिंदुओं के रूप में सहेजते हैं, सीबीआर समस्या समाधान के लिए टुपल्स या "केस" को कठिन प्रतीकात्मक प्रतिनिधित्व के रूप में सहेजता है।
सीबीआर के विभिन्न व्यावसायिक अनुप्रयोग हैं जिनमें ग्राहक सेवा सहायता डेस्क के लिए समस्या समाधान शामिल हैं, जहां मामले उत्पाद से संबंधित नैदानिक समस्याओं का वर्णन करते हैं। सीबीआर का उपयोग इंजीनियरिंग और कानून सहित क्षेत्रों में किया गया है, जहां मामले तकनीकी डिजाइन या कानूनी निर्णय हैं, तदनुसार।
चिकित्सा शिक्षा सीबीआर के लिए एक आवेदन है, जहां रोगी के मामले के इतिहास और उपचार का उपयोग निदान और नए रोगियों पर विचार करने के लिए किया जाता है। जब परिभाषित करने के लिए एक नया मामला दिया जाता है, तो एक केस-आधारित तर्ककर्ता परीक्षण करेगा कि क्या एक समान प्रशिक्षण मामला जारी है। यदि कोई खोज लिया जाता है, तो उस मामले का संबंधित समाधान बहाल कर दिया जाता है।
यदि कोई विनिमेय मामला नहीं खोजा जाता है, तो मामला-आधारित तर्ककर्ता ऐसे प्रशिक्षण मामलों की खोज करेगा जिनमें ऐसे तत्व हों जो नए मामले के समान हों। इन प्रशिक्षण मामलों को नए मामले के पड़ोसी के रूप में माना जा सकता है।
यदि मामलों को ग्राफ़ के रूप में परिभाषित किया जाता है, तो इसमें उन सबग्राफों की खोज शामिल है जो नए केस के अंदर सबग्राफ के समान हैं। केस-आधारित तर्ककर्ता नए मामले के समाधान का सुझाव देने के लिए पड़ोसी प्रशिक्षण मामलों के समाधान निर्धारित करने का प्रयास करता है। यदि एकल समाधानों के साथ असंगतताएं बढ़ती हैं, तो विभिन्न समाधानों की खोज करने के लिए पीछे हटना महत्वपूर्ण हो सकता है।
केस-आधारित तर्ककर्ता एक संभावित संयुक्त समाधान का प्रस्ताव करने के लिए पृष्ठभूमि ज्ञान और समस्या-समाधान विधियों का उपयोग कर सकता है। केस-आधारित रीजनिंग में कई चुनौतियाँ हैं जिनमें एक सर्वोत्तम समानता मीट्रिक (जैसे, सबग्राफ को जोड़ने के लिए) की खोज करना और समाधानों के संयोजन के लिए उपयुक्त तरीके शामिल हैं।
अन्य चुनौतियों में अनुक्रमण प्रशिक्षण मामलों के लिए मुख्य विशेषताओं का चयन और कुशल अनुक्रमण तकनीकों का विकास शामिल है। जैसे-जैसे संग्रहीत मामलों की संख्या बहुत बड़ी होती जाती है, सटीकता और दक्षता के बीच एक समझौता विकसित होता है।
सीबीआर में दो दृष्टिकोण इस प्रकार हैं -
-
डेटा माइनिंग केडीडी प्रक्रिया का केवल एक तत्व है जिसमें कई फाइलों तक पहुंच, डेटा की सफाई और परिणाम निष्पादित करना शामिल हो सकता है। डेटा माइनिंग खोज भी समय लेने वाली हो सकती है। खोज परिणामों और संपूर्ण केडीडी प्रक्रिया के बारे में डेटा एक मामले में संग्रहीत किया जा सकता है ताकि एक ही डेटा को एक से अधिक बार खनन करने में अधिक समय व्यतीत न हो।
-
सीबीआर का उपयोग डेटाबेस में प्रकृति के बारे में कुछ पृष्ठभूमि ज्ञान का समर्थन करने के लिए किया जा सकता है, उदाहरण के लिए, क्लासिफायरियर के लिए सुविधाओं के वजन को सीबीआर टूल से समझा जा सकता है। बायेसियन नेटवर्क में, नेटवर्क के तंत्र को सीबीआर टूल (मॉडल निर्माण) द्वारा स्थापित किया जा सकता है, इसके "विशेषज्ञ ज्ञान" का उपयोग करके और पैरामीटर डीएम एल्गोरिदम का उपयोग करके समझते हैं।