資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法學研究基於記憶的推理有哪些應用？
人類基於識別先前經驗中的合適例子來進行推理的能力。醫生診斷感染，理賠分析師標記欺詐性保險財產，以及蘑菇採集者指出羊肚菌，他們遵循相同的程式。
首先，每個人都從經驗中識別相同的案例，然後將他們對這些方法的知識應用於手頭的問題。這就是基於記憶的推理的重要性。搜尋已知資料的資料庫以發現與新資料相同的預分類記錄。這些鄰居用於分類和計算。
基於記憶的推理有各種應用，如下所示：
欺詐檢測 - 新的欺詐案例與已知案例相似。MBR可以發現並標記它們以進行更多調查。
客戶響應預測 - 下一個可能響應優惠的客戶可能與以前響應的客戶相似。MBR可以輕鬆識別下一個可能的客戶。
醫療治療 - 給定患者的有效治療可能是對相似患者產生最佳結果的治療方法。MBR可以發現產生最佳結果的治療方法。
分類響應 - 需要將自由文字響應（包括美國人口普查表格中的職業和市場或使用者投訴）分類到一組固定的程式碼中。MBR可以處理自由文字並生成程式碼。
MBR 的優勢在於它能夠使用資訊。與許多資料探勘方法不同，它不關心資料的結構。它只關心兩個操作的連續性：能夠計算某些兩個資料之間距離的距離函式和能夠合併來自多個鄰居的結果以得出答案的組合函式。
這些函式被定義為幾種型別的記錄，例如具有複雜或不尋常資料型別的記錄，包括地理區域、影像和自由文字，這些通常難以使用其他分析技術進行管理。
MBR 的第二個優勢是其可修改性。僅僅將新記錄合併到歷史資料庫中，就可以使 MBR 能夠了解新元素和先前元素的新定義。MBR 還可以無需花費大量時間進行訓練或將傳入資訊整理成正確的格式即可獲得最佳結果。
這些好處是有代價的。MBR 可能會佔用大量資源，因為需要隨時提供大量的歷史記錄以查詢鄰居。對新資料的分類可能需要處理所有歷史資料以查詢最相似的鄰居——這比使用已訓練的神經網路或已構建的決策樹要慢。此外，尋找良好的距離和組合函式也很困難，這需要一些反覆試驗和直覺。
瀏覽量 1000+
