โครงสร้างการเรียนรู้ที่เรียบง่ายที่สุดคือการจดจำอย่างธรรมดา หรือการเรียนรู้ซ้ำ (Rote Learning) เนื่องจากกลุ่มตัวอย่างฝึกอบรมได้ถูกจดจำไว้ เมื่อเจอกับอินสแตนซ์ใหม่ หน่วยความจำจะถูกสำรวจเพื่อหาตัวอย่างฝึกอบรมที่คล้ายกับอินสแตนซ์ใหม่ที่สุด
ปัญหาเดียวคือวิธีอธิบาย "คล้ายคลึง" (Resembles) แรก นี่เป็นวิธีที่แตกต่างกันอย่างสมบูรณ์ในการอธิบาย "ความรู้" (Knowledge) ที่สกัดได้จากกลุ่มอินสแตนซ์ — มันเก็บอินสแตนซ์เองและทำงานโดยการเชื่อมโยงอินสแตนซ์ใหม่ที่คลาสไม่รู้จักกับอินสแตนซ์ที่มีอยู่ที่คลาสรู้จัก แทนที่จะพยายามสร้างกฎ ทำงานโดยตรงจากอินสแตนซ์เอง นี่เรียกว่าการเรียนรู้แบบอิงอินสแตนซ์ (Instance-based Learning)
ในการเรียนรู้แบบอิงอินสแตนซ์ งานจริงทั้งหมดเสร็จสิ้นเมื่อถึงเวลากำหนดอินสแตนซ์ใหม่ แทนที่จะเป็นเมื่อชุดฝึกอบรมถูกประมวลผล ความแตกต่างระหว่างวิธีนี้และวิธีอื่นๆ ที่เห็นคือเวลาที่ "การเรียนรู้" เกิดขึ้น
การเรียนรู้แบบอิงอินสแตนซ์เป็นแบบล่าช้า (Lazy) เลื่อนงานจริงให้สายที่สุดเท่าที่จะเป็นไปได้ ในขณะที่วิธีอื่นๆ เป็นแบบกระตือรือร้น (Eager) ทำให้ทั่วไปทันทีที่ข้อมูลถูกเห็น ในการจำแนกประเภทแบบอิงอินสแตนซ์ แต่ละอินสแตนซ์ใหม่ถูกแยกแยะจากอินสแตนซ์ที่มีอยู่โดยใช้เมตริกระยะทาง (Distance Metric) และอินสแตนซ์ที่มีอยู่ที่ใกล้ที่สุดถูกใช้เพื่อกำหนดคลาสให้อินสแตนซ์ใหม่ นี่เรียกว่าวิธีการจำแนกประเภทเพื่อนบ้านใกล้ที่สุด (Nearest-Neighbor Classification Method)
บางครั้งใช้เพื่อนบ้านใกล้ที่สุดมากกว่าหนึ่ง และคลาสส่วนใหญ่ของเพื่อนบ้าน k ตัวที่ใกล้ที่สุด (หรือค่าเฉลี่ยถ่วงน้ำหนักระยะทางหากคลาสเป็นตัวเลข) ถูกกำหนดให้อินสแตนซ์ใหม่ นี่เรียกว่าวิธี k-เพื่อนบ้านใกล้ที่สุด (k-Nearest-Neighbor Method)
เมื่อมีแอตทริบิวต์นามินอล (Nominal Attributes) อยู่ จำเป็นต้องหา "ระยะทาง" ระหว่างค่าต่างๆ ของแอตทริบิวต์นั้น แอตทริบิวต์ต่างๆ จะมีความสำคัญต่างกัน และมักสะท้อนในเมตริกระยะทางโดยการถ่วงน้ำหนักแอตทริบิวต์หลายประเภท การเปลี่ยนแปลงน้ำหนักแอตทริบิวต์ที่เหมาะสมจากกลุ่มฝึกอบรมเป็นปัญหาสำคัญในการเรียนรู้แบบอิงอินสแตนซ์
ข้อจำกัดที่ชัดเจนของการแทนแบบอิงอินสแตนซ์คือพวกมันไม่สร้างสถาปัตยกรรมที่ชัดเจนที่ได้เรียนรู้ อินสแตนซ์เชื่อมโยงกับเมตริกระยะทางเพื่อแบ่งขอบเขตออกเป็นพื้นที่อินสแตนซ์ที่วิเคราะห์คลาสหนึ่งจากอีกคลาสหนึ่ง และนี่เป็นประเภทหนึ่งของคำอธิบายความรู้ที่ชัดเจน
ตัวอย่างเช่น กำหนดอินสแตนซ์เดี่ยวของแต่ละคลาสสองคลาส กฎเพื่อนบ้านใกล้ที่สุดแบ่งพื้นที่อินสแตนซ์อย่างมีประสิทธิภาพตามเส้นตั้งฉากกลาง (Perpendicular Bisector) ของเส้นเชื่อมอินสแตนซ์ กำหนดอินสแตนซ์หลายตัวของทุกคลาส พื้นที่ถูกแบ่งโดยชุดเส้นที่กำหนดเส้นตั้งฉากกลางของเส้นที่เลือกเชื่อมอินสแตนซ์ของคลาสหนึ่งไปยังอีกคลาสหนึ่ง
ทำความเข้าใจ Instance-based Representation: Rote Learning, Nearest-Neighbor Classification, k-NN Method, Lazy vs Eager Learning, Distance Metric สำหรับ Nominal Attributes และข้อจำกัด
