Binääriluokittelun

Binääriluokittelu on koneoppimisen tehtävä, jossa pyritään luokittelemaan datapisteet kahteen erilliseen luokkaan. Tyypillisiä esimerkkejä binääriluokittelusta ovat roskapostin tunnistus (roskaposti/ei roskapostia), sairauden diagnosointi (sairas/terve) tai luottokelpoisuuden arviointi (luottokelpoinen/ei luottokelpoinen).

Binääriluokittelumalleja on useita erilaisia. Yleisiä algoritmeja ovat logistinen regressio, tukivektorikoneet (SVM), päätöspuut ja satunnaismetsät. Mallin valinta riippuu usein datan ominaisuuksista ja ongelman luonteesta. Malli opetetaan käyttäen merkittyä dataa, jossa jokaiselle datapisteelle on annettu oikea luokka. Oppimisvaiheen jälkeen mallia voidaan käyttää uusien, merkitsemättömien datapisteiden luokitteluun.

Binääriluokittelumallin suorituskykyä arvioidaan usein mittareilla kuten tarkkuus (accuracy), herkkyys (recall), spesifisyys (specificity) ja F1-pisteet. Tarkkuus kertoo, kuinka suuri osa kaikista luokitteluista oli oikein. Herkkyys mittaa, kuinka suuri osa positiivisista tapauksista tunnistettiin oikein, kun taas spesifisyys mittaa negatiivisten tapausten oikeaa tunnistamista. F1-pisteet on näiden kahden mittarin harmoninen keskiarvo. Mallin valinnassa ja virittämisessä on tärkeää ymmärtää näiden mittareiden merkitys ja sovittaa ne tehtävän vaatimuksiin. Esimerkiksi lääketieteellisissä sovelluksissa on usein tärkeämpää tunnistaa kaikki sairaat tapaukset (korkea herkkyys), vaikka se johtaisi muutamaan väärään positiiviseen luokitteluun.