CBR คืออะไร?

CBR ย่อมาจากการใช้เหตุผลตามกรณี ตัวแยกประเภท CBR ต้องการฐานข้อมูลของการแก้ปัญหาเพื่อชี้แจงปัญหาใหม่ ซึ่งแตกต่างจากตัวแยกประเภทเพื่อนบ้านที่ใกล้ที่สุด ซึ่งบันทึก tuples การฝึกอบรมเป็นจุดในพื้นที่ Euclidean CBR บันทึก tuples หรือ "กรณี" สำหรับการแก้ปัญหาเป็นการแทนสัญลักษณ์ที่ยากลำบาก

CBR มีหลายแอปพลิเคชันทางธุรกิจรวมถึงการแก้ปัญหาสำหรับแผนกช่วยเหลือการบริการลูกค้า ซึ่งกรณีต่างๆ จะอธิบายปัญหาการวินิจฉัยที่เกี่ยวข้องกับผลิตภัณฑ์ CBR ถูกนำมาใช้ในด้านต่างๆ เช่น วิศวกรรมและกฎหมาย ซึ่งกรณีต่างๆ เป็นการออกแบบทางเทคนิคหรือคำตัดสินทางกฎหมาย

การศึกษาทางการแพทย์เป็นแอปพลิเคชันสำหรับ CBR ซึ่งใช้ประวัติผู้ป่วยและการรักษาเพื่อสนับสนุนการวินิจฉัยและพิจารณาผู้ป่วยรายใหม่ เมื่อกำหนดกรณีและปัญหาใหม่ให้กำหนด ตัวให้เหตุผลตามกรณีจะทดสอบว่ากรณีการฝึกอบรมที่เหมือนกันยังคงดำเนินต่อไปหรือไม่ หากพบสิ่งใดสิ่งหนึ่ง วิธีแก้ปัญหาที่มาพร้อมกับเคสนั้นจะได้รับการกู้คืน

หากไม่พบกรณีและปัญหาที่เปลี่ยนได้ ผู้ให้เหตุผลตามกรณีและปัญหาจะค้นหากรณีการฝึกอบรมที่มีองค์ประกอบที่เหมือนกันกับกรณีและปัญหาใหม่ กรณีฝึกอบรมเหล่านี้สามารถถือเป็นเพื่อนบ้านของกรณีใหม่ได้

หากกรณีและปัญหาถูกกำหนดเป็นกราฟ จะมีการค้นหากราฟย่อยที่เหมือนกับกราฟย่อยภายในกรณีใหม่ ผู้ให้เหตุผลแบบอิงกรณีและปัญหาพยายามกำหนดวิธีแก้ปัญหาของเคสการฝึกอบรมที่อยู่ใกล้เคียงเพื่อแนะนำวิธีแก้ปัญหาสำหรับเคสใหม่ หากความไม่ลงรอยกันเพิ่มขึ้นด้วยโซลูชันเดียว การย้อนรอยเพื่อค้นหาโซลูชันที่แตกต่างกันอาจมีความสำคัญ

เหตุผลตามกรณีและปัญหาสามารถใช้ความรู้พื้นฐานและวิธีการแก้ปัญหาเพื่อเสนอวิธีแก้ปัญหาที่เป็นไปได้ร่วมกัน การให้เหตุผลตามกรณีมีความท้าทายหลายประการ ได้แก่ การค้นหาเมตริกความคล้ายคลึงที่ดีที่สุด (เช่น สำหรับการเชื่อมต่อกราฟย่อย) และวิธีการที่เหมาะสมในการรวมโซลูชันเข้าด้วยกัน

มีความท้าทายอื่น ๆ ได้แก่ การเลือกคุณสมบัติเด่นสำหรับกรณีการฝึกอบรมการทำดัชนีและการพัฒนาเทคนิคการจัดทำดัชนีที่มีประสิทธิภาพ การประนีประนอมระหว่างความแม่นยำและประสิทธิภาพจะค่อยๆ เพิ่มขึ้นเมื่อจำนวนเคสที่จัดเก็บมีจำนวนมาก

CBR มีสองแนวทางดังนี้ -

• การทำเหมืองข้อมูลเป็นเพียงองค์ประกอบหนึ่งของกระบวนการ KDD ซึ่งรวมถึงการเข้าถึงหลายไฟล์ การล้างข้อมูล และการดำเนินการผลลัพธ์ การค้นหาการทำเหมืองข้อมูลอาจใช้เวลานานเช่นกัน ข้อมูลเกี่ยวกับผลการค้นหาและกระบวนการ KDD ทั้งหมดสามารถจัดเก็บไว้ในกรณีเพื่อไม่ให้ใช้เวลามากขึ้นในการขุดข้อมูลเดียวกันมากกว่าหนึ่งครั้ง

• CBR สามารถใช้ในการสนับสนุนความรู้พื้นฐานเกี่ยวกับธรรมชาติในฐานข้อมูล ตัวอย่างเช่น สามารถเข้าใจน้ำหนักของคุณลักษณะสำหรับตัวแยกประเภทได้จากเครื่องมือ CBR ในเครือข่ายแบบเบย์ กลไกของเครือข่ายสามารถตั้งค่าได้ด้วยเครื่องมือ CBR (การสร้างแบบจำลอง) โดยใช้ "ความรู้จากผู้เชี่ยวชาญ" และพารามิเตอร์จะเข้าใจโดยใช้อัลกอริทึม DM