luokittelutapoja

Luokittelutapa on menetelmä, jolla esineet, havainnot tai tiedot sijoitetaan ennalta määriteltyihin luokkiin tai kategorioihin. Luokittelua käytetään monilla tieteenaloilla, kuten tietojenkäsittelyssä, biotieteissä ja kielitieteissä. Luokittelutapoja voidaan luokitella useisiin ryhmiin sen mukaan, miten opetus tapahtuu ja millaisia tuloksia haetaan: valvottu luokittelu käyttää ennakkoon merkittyä opetusaineistoa luokkien määrittämiseen, kun taas epävalvottu luokittelu etsii rakenteita ja ryhmiä datasta ilman etukäteen määriteltyjä luokkia. Semi-valvottu oppiminen yhdistää näitä lähestymistapoja.

Valvotussa luokittelussa opetusaineistossa on sekä ominaisuudet että luokat, ja malli oppii näiden välisten yhteyksien perusteella. Tyypillisiä menetelmiä ovat logistinen regressio, päätöspuut, satunnaismetsät, tukivektorikoneet sekä syväoppimisen mallit kuten neuroverkot. Suorituskykyä arvioidaan esimerkiksi ristikkäisvalidaatiolla sekä mittareilla kuten tarkkuus, herkkyys, spesifisyys, F1-score ja ROC-AUC.

Epävalvotussa luokittelussa puolestaan pyritään löytämään datasta rakenteita ilman etukäteen määriteltyjä luokkia. Yleisimmät menetelmät ovat klusterointi, kuten k-means, hierarkkinen klusterointi ja tiheysperusteinen DBSCAN, sekä tilastolliset sekoitusmallit kuten Gaussian Mixture Models. Mallien tulkittavuus ja ominaisuuksien valinta voivat vaikuttaa siihen, kuinka selkeitä ryhmiä havaitaan.

Käytännön valinnat riippuvat datan ominaisuuksista, kuten numeristen ja kategoristen arvojen määrä, tekstin tai kuvien olemassaolo sekä saatavilla olevan opetusaineiston määrä. Luokittelun tuloksia arvioidaan sekä kvantitatiivisesti että kontekstin mukaan, ottaen huomioon tulkittavuus, laskentateho sekä mahdollinen luokkien epätasapaino.