luokitusmallit

Luokitusmalli on koneoppimisen malli, jonka tehtävänä on antaa syötteen perusteella luokka- tai luokkalabeli. Se kuuluu valvottuun oppimiseen ja tavoitteena on löytää mallifunktio, joka ennustaa oikean luokan annetuille piirteille. Luokitusmallit voivat olla erottelukykyisiä ja antavat usein myös todennäköisyysarvioita kullekin luokalle.

Luokitusmallit jaetaan useisiin tyyppeihin riippuen tehtävästä: binäärinen luokitus (kaksi luokkaa), moniluokkainen luokitus (useita luokkia) sekä monilabel-luokitus, jossa yhdellä havainnolla voi olla useita yhteensopivia luokkia. Menetelmät voivat olla single-task tai usean tavan vertailua varten. Mallin valintaan vaikuttavat datan määrä, ominaisuudet sekä tulkittavuuden tarve.

Yleisimpiä algoritmeja ovat logistinen regressio, päätöspuut, satunnaismetsät, gradienttipurkutusmenetelmät, tuki-vektoriset koneet sekä neuroverkot. Kullekin menetelmälle on omat vahvuutensa: esimerkiksi logistinen regressio on usein tulkittavampi, kun taas syvät neuroverkot voivat hyödyntää suuria ja monimuotoisia tietoja. Datan esikäsittelyyn kuuluu ominaisuuksien normalisointi, kategoristen muuttujien koodaus sekä puuttuvien arvojen käsittely.

Mallia arvioidaan ja viritetään käyttämällä jaetta train/test- tai ristiinvalidointia sekä mittareita kuten tarkkuus, herkkyys, tarkkuuslasku, F1-arvo ja ROC-AUC. Tärkeää on myös klassijakauman epätasapainon, ylikoulutuksen ja tulkittavuuden huomioiminen. Käytännön sovelluksia ovat esimerkiksi tekstin luokitus, kuvan- ja puheentunnistus, lääketieteellinen diagnoosi, petosten havaitseminen sekä epävarmuuden ja oikeudenmukaisuuden huomiointi.