CBR का अर्थ है Case-based reasoning (केस-आधारित तर्क)। CBR वर्गीकरणकर्ताओं को नई समस्याओं को स्पष्ट करने के लिए समस्या समाधानों के डेटाबेस की आवश्यकता होती है। निकटतम-पड़ोसी वर्गीकरणकर्ताओं के विपरीत, जो यूक्लिडियन स्पेस में बिंदुओं के रूप में प्रशिक्षण टुपल्स को सहेजते हैं, CBR समस्या समाधान के लिए टुपल्स या "केस" को कठिन प्रतीकात्मक प्रतिनिधित्व के रूप में सहेजता है।
CBR के विभिन्न व्यावसायिक अनुप्रयोगों में ग्राहक सेवा हेल्प डेस्क के लिए समस्या समाधान शामिल है, जहां केस उत्पाद-संबंधी नैदानिक समस्याओं का वर्णन करते हैं। CBR का उपयोग इंजीनियरिंग और कानून जैसे क्षेत्रों में किया गया है, जहां केस तकनीकी डिज़ाइन या कानूनी फैसले हैं, तदनुसार।
चिकित्सा शिक्षा CBR के लिए एक अनुप्रयोग है, जहां रोगी केस इतिहास और उपचार नए रोगियों का निदान और उपचार करने में सहायता के लिए उपयोग किए जाते हैं। जब एक नया केस परिभाषित करने के लिए दिया जाता है, तो एक केस-आधारित रीज़नर जांच करेगा कि क्या एक समान प्रशिक्षण केस मौजूद है। यदि एक पाया जाता है, तो उस केस के साथ आने वाला समाधान बहाल किया जाता है।
यदि कोई विनिमेय केस नहीं मिलता है, तो केस-आधारित रीज़नर उन प्रशिक्षण केसों की खोज करेगा जिनमें तत्व नए केस के समान हैं। इन प्रशिक्षण केसों को नए केस के पड़ोसियों के रूप में माना जा सकता है।
यदि केस को ग्राफ़ के रूप में परिभाषित किया जाता है, तो इसमें नए केस के अंदर उपग्राफ़ के समान उपग्राफ़ की खोज शामिल है। केस-आधारित रीज़नर पड़ोसी प्रशिक्षण केसों के समाधानों को संयोजित करके नए केस के लिए एक समाधान का प्रस्ताव करने का प्रयास करता है। यदि एकल समाधानों के साथ असंगतताएं उत्पन्न होती हैं, तो अलग समाधानों की खोज के लिए बैकट्रैकिंग आवश्यक हो सकती है।
केस-आधारित रीज़नर पृष्ठभूमि ज्ञान और समस्या-समाधान विधियों का उपयोग एक संभावित संयुक्त समाधान का प्रस्ताव करने के लिए कर सकता है। केस-आधारित तर्क में कई चुनौतियां शामिल हैं जैसे एक अच्छी समानता मीट्रिक खोजना (उदाहरण के लिए, उपग्राफ़ जोड़ने के लिए) और समाधानों को संयोजित करने के लिए उपयुक्त विधियां।
अन्य चुनौतियों में प्रशिक्षण केसों को अनुक्रमित करने के लिए प्रमुख विशेषताओं का चयन और कुशल अनुक्रमण तकनीकों का विकास शामिल है। जैसे-जैसे संग्रहीत केसों की संख्या बहुत बड़ी होती जाती है, सटीकता और दक्षता के बीच एक ट्रेड-ऑफ विकसित होता है।
CBR में दो दृष्टिकोण हैं जो इस प्रकार हैं -
डेटा माइनिंग केवल KDD प्रक्रिया का एक तत्व है जिसमें कई फाइलों तक पहुंचना, डेटा साफ करना, और परिणाम निष्पादित करना शामिल हो सकता है। डेटा माइनिंग खोज भी समय लेने वाली हो सकती है। खोज परिणामों के बारे में डेटा और संपूर्ण KDD प्रक्रिया को एक केस में संग्रहीत किया जा सकता है ताकि उसी डेटा को एक से अधिक बार माइन करने में अधिक समय खर्च न हो।
CBR का उपयोग डेटाबेस में प्रकृति के बारे में कुछ पृष्ठभूमि ज्ञान का समर्थन करने के लिए किया जा सकता है, उदाहरण के लिए, एक वर्गीकरणकर्ता के लिए विशेषताओं का वजन CBR टूल से समझा जा सकता है। एक बेयसियन नेटवर्क में, नेटवर्क का तंत्र CBR टूल (मॉडल निर्माण) द्वारा स्थापित किया जा सकता है, इसके "विशेषज्ञ ज्ञान" और DM एल्गोरिदम का उपयोग करके सीखे गए पैरामीटर्स का उपयोग करके।
