แอปพลิเคชันของ Memory Based Reasoning (MBR)

ความสามารถของมนุษย์ในการให้เหตุผลจากประสบการณ์ ขึ้นอยู่กับความสามารถในการระบุตัวอย่างที่เหมาะสมจากอดีต แพทย์วินิจฉัยโรค, นักวิเคราะห์เคลมตรวจสอบการฉ้อโกงประกันทรัพย์สิน, และคนหาเห็ดชี้เห็ด Morels กำลังทำกระบวนการเดียวกัน

แต่ละคนระบุ case ที่คล้ายจากประสบการณ์ก่อน แล้วนำความรู้เกี่ยวกับวิธีการเหล่านั้นไปใช้กับปัญหาที่มีอยู่ นี่คือแก่นของ memory-based reasoning ฐานข้อมูลข้อมูลที่รู้จักถูกค้นหาเพื่อหา preclassified records ที่คล้ายกับข้อมูลใหม่ Neighbors เหล่านี้ใช้สำหรับ classification และ estimation

แอปพลิเคชันหลักของ MBR

Fraud detection (ตรวจจับการฉ้อโกง): กรณี fraud ใหม่มักคล้ายกับกรณีที่รู้จัก MBR หาและ flag ให้สำหรับตรวจสอบเพิ่ม
Customer response prediction (ทำนายการตอบสนองลูกค้า): ลูกค้าถัดไปที่น่าจะตอบสนองข้อเสนอ น่าจะคล้ายลูกค้าก่อนหน้าที่ยอมรับ MBR ระบุ next likely customers ได้ง่าย
Medical treatments (การรักษาทางการแพทย์): การรักษาที่มีประสิทธิภาพสำหรับผู้ป่วยรายหนึ่ง น่าจะเป็นการรักษาที่ให้ผลลัพธ์ดีที่สุดสำหรับผู้ป่วยที่คล้ายกัน MBR หาการรักษาที่ให้ผลดีที่สุด
Classifying responses (จัดประเภทคำตอบ): คำตอบแบบ free-text เช่น ในแบบสอบถามสำหรับอาชีพและตลาด หรือที่ร้องเรียนจากผู้ใช้ ต้องจัดเป็นชุด codes คงที่ MBR ประมวลผล free-text และกำหนด codes

จุดแข็งของ MBR

จุดแข็งของ MBR คือความสามารถในการใช้ข้อมูล ต่างจากหลาย data mining methods ไม่สนใจโครงสร้างข้อมูล สนใจแค่สอง operation: distance function คำนวณระยะทางระหว่างสองเรคคอร์ด และ combination function รวมผลลัพธ์จากหลาย neighbors เพื่อหาคำตอบ

ฟังก์ชันเหล่านี้นิยามได้สำหรับหลายประเภทเรคคอร์ด รวมถึง records ที่มี complex หรือ unusual data types เช่น geographic areas, images, free text ที่ยากต่อการจัดการด้วยเทคนิควิเคราะห์อื่นๆ

จุดแข็งที่สองคือความสามารถในการปรับตัว (adaptability) เพียงแค่นำข้อมูลใหม่เข้า historical database ทำให้ MBR เรียนรู้เรื่องใหม่และนิยามใหม่ของของเก่าได้ MBR ให้ผลดีโดยไม่ต้องใช้เวลานานใน training หรือปรับข้อมูลเข้า format ที่ถูกต้อง

ข้อดีเหล่านี้มาพร้อมต้นทุน MBR มักเป็น resource hog เพราะ historical data 量 ใหญ่ต้องพร้อมใช้งานเพื่อหา neighbors การจัดประเภทข้อมูลใหม่อาจต้องประมวลผล historical data ทั้งหมดหา most similar neighbors กระบวนการช้ากว่า neural network ที่ trained แล้ว หรือ decision tree ที่สร้างแล้ว ยังมีความยากในการหา distance และ combination functions ที่ดี ต้องใช้ trial and error และ intuition