luokitusmenetelmien

Luokitusmenetelmät ovat tilastollisia ja koneoppimisen menetelmiä, joiden tarkoituksena on sijoittaa uudet havainnot ennalta määriteltyihin luokkiin. Ne rakentuvat usein ohjattuun oppimiseen, jossa käytetään merkittyä koulutusdataa. Luokitukset voivat olla binäärisiä (kaksi luokkaa) tai moniluokkaisia, ja ne soveltuvat erilaisiin päätöksenteko- ja ennustetehtäviin.

Yleisimmät menetelmät kattavat sekä perusmenetelmät että kehittyneemmät mallit. Esimerkkejä ovat logistinen regressio, päätöspuut, tukivektorikoneet (SVM), k-nearest neighbor (kNN) sekä neuraaliverkot. Yhdistäminen, eli ensemble-menetelmät kuten satunnaismetsä ja gradientin boosting, parantavat usein suorituskykyä ja vakauden.

Koulutus ja arviointi tapahtuvat ohjatun oppimisen periaatteiden mukaan: koulutusdata opettaa luokat, ja malli testataan ennusteiden oikeellisuudella. Arviointi toteutetaan usein train-test-splitillä tai ristiinvalidaatiolla. Suorituskykymittareita voivat olla tarkkuus, herkkyys (recall), F1-piste ja ROC-AUC. Lisäksi käytetään variasteita, kuten virheasteita, kalibrointia ja virheiden erittelyä.

Käytännön huomioita ovat datan laatu, puuttuvat arvot, ominaisuuksien valmistelu sekä skaalaus ja normalisointi. Ominaisuuksien valinta ja muokkaus vaikuttavat sekä tulkittavuuteen että suorituskykyyn. Tulkittavuuden ja läpinäkyvyyden tarve vaihtelee sovelluksesta riippuen, samoin laskentaresurssit ja skaalautuvuus. Sovelluksia löytyy muun muassa lääketieteestä, sähköpostin roskapostin suodattamisesta, kuvantamisesta ja talousanalyysistä.