在本文中,我们将详细研究基于案例的推理(CBR),并将讨论基于案例推理在机器学习中的概述及其工作周期,并最终总结出它的优点和局限性。让我们一一讨论。
基于案例的推理:
基于案例的推理 (CBR) 通过将以前幸运的解决方案调整为类似问题来解决新问题。 Roger Schank 被广泛认为是 CBR 的开端。他提出了一种不同的观点,即由人类逻辑和记忆组织激发的基于模型的推理。
CBR的基础:
在这里,我们将讨论 CBR 的基础关键参数。
- 规律性-
在相同情况下执行的相同步骤往往会产生相同或相似的结果。 - 典型——
经验往往会重演。 - 一致性-
环境的微小变化只需要解释和效果的微小变化。 - 适应性-
当事物复制时,差异往往是微小的,而微小的差异并不复杂。
CBR的工作周期:
在这里,我们将讨论 CBR 的工作周期。
- 案例检索 –
在判断问题结果后,在案例库中探索最佳协调案例并检索估计的解决方案。 - 案例改编——
调整恢复的结果以更好地适应新问题。 - 解决方案评估——
修改后的解决方案可以在解决方案应用于并发症之前进行判断,也可以在解决方案应用后进行判断,修改后的解决方案必须再次适应或修改更多情况。 - 基于案例的更新 –
如果解决方案被验证为正确,则可以将新案例添加到案例中。
社区康复知识:
词汇包括选择用于描述案例的特征所需的知识。
- 必须指定案例特征,以便它们有助于检索其他案例,其中包含对类似问题的有用解决方案。
- 相似性估计包括对相似性度量本身的掌握以及用于选择所用案例库中最有效的公司和最合适的案例检索方法的把握。
- 修改知识包括执行 CBR 工作循环的适应和评估阶段所需的知识。
- 案例包含有关已解决问题实例的知识,在许多 CBR 系统中,这代表系统在使用过程中获得的知识。
社区康复的好处:
在这里,我们将讨论 CBR 的好处。
- 社区康复支持知识获取的便利性。
- 在没有解决问题的偏见的情况下,CBR 可以有效地工作。
- 它适用于多重和不完全形式化的结果位置。
- 它使解释变得容易。
- 它易于维护。
限制:
在这里,我们将讨论 CBR 的局限性。
- CBR 发现处理大型案例库很复杂。
- CBR几乎不可能解决动态域问题
- CBR 方法无法处理噪声数据
参考 :
https://en.wikipedia.org/wiki/Case-based_reasoning