データマイニングにおける分類の仕組みとは？二値分類・多クラス分類の基礎を解説

分類（Classification）とは何か

分類（クラス分類）とは、データセット内の要素を特定のクラスに割り当てることで、より効率的な予測や分析を支援するデータマイニング手法の一つです。分類は一般的に、ターゲットとなるクラスが2つだけ存在する場合に用いられ、これを「二値分類（バイナリ分類）」と呼びます。

一方、2つ以上のクラスを予測する必要がある場合、特にパターン認識の問題においては「多クラス分類（マルチノミアル分類）」として定義されます。多クラス分類はカテゴリ型の応答データにも活用でき、複数の要素の中から、インスタンスが最も高い確率で属するカテゴリを予測したい場合に有効です。

データ分類の2段階プロセス

第1段階：学習フェーズ（訓練フェーズ）

データ分類は2つの段階で構成されます。第1段階では、事前に定義されたデータクラスや概念の集合を表す「分類器（クラシファイア）」を構築します。この段階は「学習フェーズ（訓練フェーズ）」と呼ばれ、分類アルゴリズムが、データベースのタプルとそれに関連付けられたクラスラベルからなる訓練セットを分析し、「学習」することで分類器を作り上げます。

ここでいうタプル X は、n次元の属性ベクトル X = (x₁, x₂, …, x_n) として記述されます。これは、n個のデータベース属性 A₁, A₂, …, A_n から得られるn個の測定値を表しています。

各タプル X は、「クラスラベル属性」と呼ばれる別のデータベース属性によって決まる、事前定義済みのクラスに属するとみなされます。クラスラベル属性は離散値を持ち、順序はなく、それぞれの値がカテゴリ（クラス）として機能するカテゴリカルな性質を備えています。

訓練セットを構成する個々のタプルは「訓練タプル」と呼ばれ、分析対象となるデータベースから選択されます。分類の文脈では、データタプルは「サンプル」「インスタンス」「データポイント」「オブジェクト」などとも呼ばれます。

すべての訓練タプルのクラスラベルが既知であることから、このステップは「教師あり学習」と呼ばれます。これは、各訓練タプルのクラスラベルが未知であり、学習すべきクラスの数や集合が事前に分からない「教師なし学習（クラスタリング）」と対照的な概念です。

第2段階：分類フェーズ（モデルの評価と適用）

第2段階では、構築されたモデルを実際の分類に使用します。まず最初に、分類器の予測精度を評価します。訓練セットを使って分類器の精度を計算した場合、その推定値は楽観的になりがちです。なぜなら、分類器には訓練データに対して過剰適合（オーバーフィッティング）する傾向があり、学習の過程で、データセット全体には存在しない訓練レコード特有の異常やノイズまで取り込んでしまう可能性があるからです。

そこで、テストタプルとそれに関連するクラスラベルからなる「テストセット」が利用されます。これらのテストタプルはデータセット全体からランダムに選択され、訓練タプルとは独立しています。つまり、分類器の構築には一切使用されていないデータであり、これにより公平かつ信頼性の高い精度評価が可能になります。