luokitteluvirheitä

Luokitteluvirheet, suomeksi myös virheellisiä luokitteluja tai väärin luokittelua, viittaavat tilanteisiin koneoppimisessa ja tilastotieteessä, joissa malli tekee virheellisen ennusteen tai luokittelee datapisteen väärään kategoriaan. Nämä virheet ovat keskeinen osa mallin suorituskyvyn arviointia, ja niiden analysointi auttaa ymmärtämään, missä malli epäonnistuu ja miten sitä voidaan parantaa.

Luokitteluvirheet voidaan jakaa kahteen päätyyppiin: tyypin I virhe (väärä positiivinen) ja tyypin II virhe (väärä negatiivinen). Tyypin I virhe tapahtuu, kun hypoteesi, joka on tosiasiassa väärä, hylätään. Esimerkiksi lääketieteellisessä testissä tämä voisi tarkoittaa, että henkilö todetaan sairaaksi, vaikka hän on terve. Tyypin II virhe puolestaan tapahtuu, kun hypoteesi, joka on tosiasiassa tosi, jätetään hylkäämättä. Samassa esimerkissä tämä tarkoittaisi, että henkilö todetaan terveeksi, vaikka hän on sairas.

Näiden virheiden määrä ja suhde toisiinsa voidaan tiivistää erilaisiin suorituskykymittareihin, kuten tarkkuuteen (accuracy), precisioniin, herkkyyteen (recall) ja F1-pisteytykseen. Tarkkuus kuvaa oikein luokiteltujen tapausten osuutta kaikista tapauksista. Precision mittaa, kuinka suuri osa positiivisiksi ennustetuista tapauksista on todellisuudessa positiivisia. Herkkyys puolestaan kertoo, kuinka suuri osa kaikista todellisista positiivisista tapauksista on tunnistettu oikein. F1-pisteytys on näiden kahden mittarin harmoninen keskiarvo, joka antaa tasapainoisen kuvan mallin suorituskyvystä, erityisesti epätasapainoisissa datajoukoissa. Luokitteluvirheiden ymmärtäminen ja minimoiminen on olennaista luotettavien ja tarkkojen luokitusmallien rakentamisessa.