最典型的类比学习方法是K-最近邻方法，它属于懒散学习法，相比决策树等急切学习法，具有训练时间短，但分类时间长的特点。K-最近邻算法可以用于分类和聚类中。基于案例的学习方法可以应用到数据挖掘的分类中。基于案例学习的分类计数的基本思想是：当对一个新案例进行分类时，通过检查已有的训练案例找出相同或者相近的案例，然后根据这些案例提出这个新案例的可能解。利用案例学习来进行数据挖掘的分类必须要解决案例的相似度度量，训练案例的选取以及利用案例生成新案例的组合解等相关问题，并且它们也是目前研究的主要问题。这种思路非常简单，当预测未来情况或进行正确分类时，系统寻找与现有情况类似的事例，并选择最佳的相同的解决方案，这种方法能用于很多问题的求解，并获得好的结果，其缺点是系统不能生成汇总过去经验的模块或规则。