分類はどのように機能しますか？

分類は、データセットに要素を割り当てて、より効率的な予測と分析を支援するデータマイニングアプローチです。分類は通常、バイナリ分類と呼ばれる2つのターゲットクラスがある場合に使用されます。

特にパターン認識の問題で2つ以上のクラスが予測できる場合、これは多項分類として定義されます。ただし、多項分類はカテゴリ応答データに使用できます。この場合、さまざまな要素の中でどのカテゴリに最も確率の高いインスタンスがあるかを予測する必要があります。

データ分類は2段階のフェーズです。最初のフェーズでは、データクラスまたは概念の事前定義されたコレクションを定義する分類子が構築されます。これは学習フェーズ（またはトレーニングフェーズ）であり、分類アルゴリズムは、データベースタプルとそれに関連するクラスラベルで作成されたトレーニングセットを分析または「理解」することによって分類子を開発します。

タプルXは、n次元の属性ベクトルX =（x ₁ 、x ₂ 、…x _n ）、n個の測定値を定義すると、n個のデータベース属性からタプルに作成されます。したがって、A ₁ 、A ₂ 、... A _n 。

すべてのタプル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定されるように、事前定義されたクラスに属していると見なされます。クラスラベル属性は離散値であり、順序付けされていません。すべての値がカテゴリまたはクラスとして提供されるという点でカテゴリです。

トレーニングセットを作成する単一のタプルは、トレーニングタプルとして定義され、分析中のデータベースから選択されます。分類のフレームワークでは、データタプルはサンプル、インスタンス、データポイント、またはオブジェクトとして定義できます。

すべてのトレーニングタプルのクラスラベルがサポートされているため、このステップは教師あり学習と呼ばれます。これは、すべてのトレーニングタプルのクラスラベルが人気がなく、理解するクラスの数やセットを事前に知ることができない教師なし学習（またはクラスタリング）と比較できます。

2番目のフェーズでは、モデルを分類に使用できます。まず、分類器の予測精度を予測します。トレーニングセットを使用して分類器の精度を計算できる場合、分類器はレコードに過剰適合する傾向があるため、この推定は楽観的です（つまり、学習中に、に存在しないトレーニングレコードの特定の異常を組み込むことができます。一般的なデータセットが完了しました。

したがって、テストセットが使用され、テストタプルとそれに関連するクラスラベルが作成されます。これらのタプルは、一般的なデータセットからランダムに選択されます。これらはトレーニングタプルとは別のものであり、分類子の作成には使用されないことを定義しています。