استدلال مبتنی برمورد روشی برای حل مسأله است که از تجربیات گذشته در حل مسائل استفاده می کند. وقتی سیستم های استدلال مبتنی برمورد به مسائل دنیای حقیقی اعمال می شوند، پاسخ های بازیابی شده از سیستم بندرت می توانند به عنوان یک پاسخ مناسب برای مسأله جدید به طور مستقیم به کار روند. پاسخ های بازیابی شده معمولاً نیازمند مجموعه ای از تطبیق ها می باشند تا بتوانند به مسأله جدید اعمال شوند. بنابراین فاز تطبیق مرحله ای مهم در چرخه سیستم استدلال مبتنی برمورد می باشد. به دلیل مشکلات موجود در روش های تطبیق سنتی، در این پژوهش سعی شده است روش تطبیقی براساس یادگیری ماشین ارائه شود. در روش پیشنهادی پس از خوشه بندی پایگاه موردها، با استفاده از اعضای هر خوشه و اطلاعاتی که از همسایه های آن ها در اختیار داریم یک ماشین بردار پشتیبان رگرسیون می سازیم. با ورود مسأله ای جدید، ابتدا شبیه ترین خوشه به مسأله ورودی انتخاب می شود. سپس بردار های اختلاف مسأله جدید با همسایه های آن در خوشه بازیابی شده محاسبه می شود و از ترکیب این بردارهای اختلاف با بردار ویژگی های مسأله جدید، تعدادی الگو شکل می گیرد. این الگوها به ماشین بردار پشتیبان رگرسیون ارسال شده و برای هر کدام یک خروجی تولید می شود. درنهایت با ترکیب وزن دار این خروجی ها جواب مطلوب به دست می آید. پس از بررسی میزان خطای جواب سیستم، مورد جدید درصورت لزوم به پایگاه مورد افزوده می شود و پایگاه مورد به روز می شود. روش پیشنهادی از نظر میزان خطای جواب ارائه شده با چند روش دیگر بر روی مجموعه داده های استاندارد uci آزمایش و مقایسه شده اند. نتایج حاصل، برتری روش پیشنهادی را در آزمایش ها نشان می دهد.