ความหมายของ CBR
CBR ย่อมาจาก Case-based reasoning (การให้เหตุผลแบบกรณีศึกษา) CBR classifiers ต้องการฐานข้อมูลของวิธีแก้ปัญหา (problem solutions) เพื่ออธิบายปัญหาใหม่ ไม่เหมือน nearest-neighbor classifiers ที่จัดเก็บ training tuples เป็นจุดในพื้นที่ยุคลิด (Euclidean space) CBR จัดเก็บ tuples หรือ "cases" (กรณี) สำหรับการแก้ปัญหาเป็นการแทนที่เชิงสัญลักษณ์ที่ซับซ้อน (complex symbolic representation)
แอปพลิเคชันทางธุรกิจ
มีแอปพลิเคชันทางธุรกิจของ CBR หลายอย่าง รวมถึง การแก้ไขปัญหาสำหรับ customer service help desks (โต้ตอบช่วยเหลือลูกค้า) ที่ cases อธิบายปัญหาการวินิจฉัยสินค้า (product-related diagnostic problems) CBR ถูกนำไปใช้ในพื้นที่รวมถึง วิศวกรรม (engineering) และ กฎหมาย (law) โดยที่ cases เป็น แบบออกแบบทางเทคนิค (technical designs) หรือ คำพิพากษาทางกฎหมาย (legal rulings) ตามลำดับ
การศึกษาทางการแพทย์ (Medical education) เป็นแอปพลิเคชันสำหรับ CBR ที่ประวัติกรณีผู้ป่วย (patient case histories) และ การรักษา (treatments) ถูกใช้เพื่อช่วยวินิจฉัยและพิจารณาผู้ป่วยใหม่ เมื่อได้รับ case ใหม่ที่จะนิยาม Case-based reasoner จะทดสอบว่ากรณีฝึกที่เหมือนกัน (identical training case) ยังคงอยู่หรือไม่ หากพบหนึ่งกรณี วิธีแก้ที่มาพร้อมกับกรณีนั้นจะถูกคืนค่า (restored)
หากไม่พบ case ที่แลกเปลี่ยนได้ (interchangeable) Case-based reasoner จะค้นหากรณีฝึกที่มีองค์ประกอบคล้ายกับ case ใหม่ กรณีฝึกเหล่านี้สามารถมองว่าเป็น เพื่อนบ้าน (neighbors) ของ case ใหม่
หาก cases ถูกนิยามเป็นกราฟ (graphs) นี้มีการค้นหา subgraphs ที่เหมือนกับ subgraphs ภายใน case ใหม่ Case-based reasoner พยายามปรับวิธีแก้ของ training cases เพื่อนบ้าน เพื่อเสนอวิธีแก้สำหรับ case ใหม่ หากความขัดแย้ง (incompatibilities) เพิ่มขึ้นกับวิธีแก้เดี่ยว การ backtracking (การย้อนกลับ) เพื่อค้นหาวิธีแก้ที่แตกต่างอาจจำเป็น
Case-based reasoner สามารถใช้ background knowledge (ความรู้พื้นฐาน) และ problem-solving methods เพื่อเสนอ combined solution (วิธีแก้รวม) ที่เป็นไปได้ มีหลายความท้าทายใน case-based reasoning รวมถึง การค้นหา similarity metric (เมตริกความคล้ายคลึง) ที่ดี (เช่น สำหรับการเชื่อมโยง subgraphs) และ วิธีที่เหมาะสมสำหรับการรวมวิธีแก้
ความท้าทายอื่นๆ รวมถึง การเลือก salient features (คุณลักษณะที่โดดเด่น) สำหรับการจัดทำดัชนี (indexing) training cases และ การพัฒนาเทคนิคการจัดทำดัชนีที่มีประสิทธิภาพ การแลกเปลี่ยนระหว่างความแม่นยำ (accuracy) และ ประสิทธิภาพ (efficiency) พัฒนาขึ้นเมื่อจำนวน cases ที่จัดเก็บกลายเป็นมากมาย
สองแนวทางใน CBR
Data Mining เป็นเพียงองค์ประกอบหนึ่งของกระบวนการ KDD ซึ่งสามารถรวมถึงการเข้าถึงไฟล์หลายไฟล์, การทำความสะอาดข้อมูล, และการดำเนินการผลลัพธ์ การค้นหาการทำเหมืองข้อมูล (data mining search) อาจใช้เวลานาน ผลลัพธ์การค้นหาและกระบวนการ KDD ทั้งหมดสามารถจัดเก็บใน case ได้ เพื่อให้ไม่ต้องใช้เวลาทำเหมืองข้อมูลเดิมซ้ำมากกว่าหนึ่งครั้ง
CBR สามารถใช้ในการสนับสนุน background knowledge บางอย่างเกี่ยวกับธรรมชาติในฐานข้อมูล เช่น น้ำหนักของ features สำหรับ classifier สามารถเรียนรู้จาก CBR tool ใน Bayesian network กลไกของเครือข่ายสามารถตั้งค่าได้โดย CBR tool (model construction) โดยใช้ "expert knowledge" และพารามิเตอร์ที่เรียนรู้โดยใช้ DM algorithms
