Klassifiointiin

Klassifiointi on prosessi, jossa kohteet tai ilmiöt jaetaan ennalta määriteltyihin luokkiin. Tämä järjestely helpottaa tiedon hallintaa, analysointia ja päätöksentekoa. Klassifiointiin liittyy usein kysymyksiä luokkien määrittelystä sekä siitä, miten kohteet voidaan erottaa.

Historian saatossa luokittelua on sovellettu monille aloille: biologian lajittelusta ja systematiikasta kirjastojen ja arkistojen luokituksiin sekä tilastollisiin menetelmiin. Tietojenkäsittelyssä klassifiointi viittaa yleisesti valvottuun koneoppimiseen, jossa malli oppii yhdistettyjen esimerkkien avulla määrittämään kohteen luokan.

Prosessi sisältää ongelman määrittelyn, datan keräämisen ja esikäsittelyn, ominaisuuksien valinnan, mallin kouluttamisen sekä arvioinnin ja käyttöönoton. Malli saa koulutuksessaan syötteet, joille on annettu oikeat luokitukset, ja sen jälkeen sen suorituskykyä arvioidaan uudella datalla.

Luokkia erotellaan useilla tavoilla: binääriluokittelu (kaksi luokkaa), moniluokkaluokittelu (useita luokkia) sekä monilabel-klassifiointi (kohteelle voi kuulua useita luokkia samaan aikaan). Luokittelu voi myös olla hierarkkista tai ei-hierarkkista.

Arviointi tapahtuu mittareilla kuten tarkkuus (accuracy), herkkyys (recall) ja F1-pisteet sekä ROC-AUC. Nämä mittarit auttavat ymmärtämään, miten malli suorittaa erilaisten luokkien kohdalla ja missä se tarvitsee parannusta.

Käytännön sovelluksia ovat esimerkiksi kuvan- ja tekstin luokitus, sähköpostin roskapostisuodatus, lääketieteelliset diagnoosit sekä hakukoneiden ja suodatusjärjestelmien kehittäminen.