数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法学研究基于记忆的推理有哪些应用？
人类基于识别先前经验中的合适例子来进行推理的能力。医生诊断感染，理赔分析师标记欺诈性保险财产，以及蘑菇采集者指出羊肚菌，他们遵循相同的程序。
首先，每个人都从经验中识别相同的案例，然后将他们对这些方法的知识应用于手头的问题。这就是基于记忆的推理的重要性。搜索已知数据的数据库以发现与新数据相同的预分类记录。这些邻居用于分类和计算。
基于记忆的推理有各种应用，如下所示：
欺诈检测 - 新的欺诈案例与已知案例相似。MBR可以发现并标记它们以进行更多调查。
客户响应预测 - 下一个可能响应优惠的客户可能与以前响应的客户相似。MBR可以轻松识别下一个可能的客户。
医疗治疗 - 给定患者的有效治疗可能是对相似患者产生最佳结果的治疗方法。MBR可以发现产生最佳结果的治疗方法。
分类响应 - 需要将自由文本响应（包括美国人口普查表格中的职业和市场或用户投诉）分类到一组固定的代码中。MBR可以处理自由文本并生成代码。
MBR 的优势在于它能够使用信息。与许多数据挖掘方法不同，它不关心数据的结构。它只关心两个操作的连续性：能够计算某些两个数据之间距离的距离函数和能够合并来自多个邻居的结果以得出答案的组合函数。
这些函数被定义为几种类型的记录，例如具有复杂或不寻常数据类型的记录，包括地理区域、图像和自由文本，这些通常难以使用其他分析技术进行管理。
MBR 的第二个优势是其可修改性。仅仅将新记录合并到历史数据库中，就可以使 MBR 能够了解新元素和先前元素的新定义。MBR 还可以无需花费大量时间进行训练或将传入信息整理成正确的格式即可获得最佳结果。
这些好处是有代价的。MBR 可能会占用大量资源，因为需要随时提供大量的历史记录以查找邻居。对新数据的分类可能需要处理所有历史数据以查找最相似的邻居——这比使用已训练的神经网络或已构建的决策树要慢。此外，寻找良好的距离和组合函数也很困难，这需要一些反复试验和直觉。
浏览量 1000+
