4. fejezet - Osztályozás:Alapfogalmak, döntési fák és modellek kiértékelése
Vissza		Előre

4. fejezet - Osztályozás:Alapfogalmak, döntési fák és modellek kiértékelése

Tartalom

Az osztályozás, amely objektumoknak több előre meghatározott kategóriák (osztályok) egyikéhez történő hozzárendelésének a feladata, egy olyan mindent átható probléma, amelyet számos különféle alkalmazás kísér. Ezek a példák magukba foglalják kéretlen elektronikus levelek észlelését az üzenetek fejléce és tartalma alapján, sejtek rosszindulatúként vagy jóindulatúként való kategorizálását MRI eredmények alapján, és galaxisok osztályozását az alakjuk alapján (lásd a 4.1. ábrát).

4.1. ábra - Galaxisok osztályozása. A képek a NASA honlapjáról származnak.

4.2. ábra - Az osztályozás mint bemeneti attribútumértékek egy x halmazának az y osztálycímkéjébe való leképezésének a feladata

Ebben a fejezetben az osztályozás alapvető fogalmait vezetjük be, néhány olyan fontos kérdést ismertetünk, mint a modell túlillesztés, és eljárásokat mutatunk osztályozási módszerek teljesítményének a kiértékelésére és összehasonlítására. Bár főként a döntési fa következtetésként ismert módszerre öszpontosítunk, az ebben a fejezetben ismertetettek legnagyobb része alkalmazható más osztályozási módszereknél is, amelyek közül többet 5. fejezetben tárgyalunk majd.

Bevezetés

Egy osztályozási feladatnál rekordok egy gyűjteménye alkotja a bemeneti adatokat. Mindegyik rekord, más néven példány vagy eset, egy (x,y) párral jellemezhető, ahol x az attribútumok halmaza és y egy speciális attribútum, amelyet osztálycímkének választottunk ki (további elnevezések a kategória vagy célattribútum). A 4.1. táblázat egy olyan minta adatállományt mutat, amelyet a gerincesek alábbi kategóriákba való osztályozására használtunk: emlős, madár, hal, hüllő, vagy kétéltű. Az attribútumhalmaz a gerincesek olyan tulajdonságait tartalmazza, mint a testhőmérséklet, a bőr függelékei, a szaporodás módja, a repülni tudás és a vízben élés képessége. Bár a 4.1. táblázatban bemutatott attribútumok többsége diszkrét, az attribútumhalmaz folytonos jellemzőket is tartalmazhat. Másrészt, az osztálycímke diszkrét attribútum kell, hogy legyen. Ez a fő jellemző, ami az osztályozást megkülönbözteti a regressziótól, attól a prediktív modellezési feladattól, amelyben y folytonos attribútum. Regressziós módszerekkel D. függelék foglalkozik.

4.1. táblázat - A gerincesek adatállománya

Név	Test-	Bőr	Eleven-	Vízben	Tud	Van	Téli álmot	Osztály-
	őmérséklet	függelékei	szülő	él	repülni	lába	alszik	címke
ember	melegvérű	szőr	igen	nem	nem	igen	nem	Emlősök
óriáskígyó	hidegvérű	pikkely	nem	nem	nem	nem	igen	Hüllők
lazac	hidegvérű	pikkely	nem	igen	nem	nem	nem	Halak
bálna	melegvérű	szőr	igen	igen	nem	nem	nem	Emlősök
béka	hidegvérű	nincs	nem	félig	nem	igen	igen	Kétéltűek
komodói	hidegvérű	pikkely	nem	nem	nem	igen	nem	Hüllők
sárkány
denevér	melegvérű	szőr	igen	nem	igen	igen	igen	Emlősök
galamb	melegvérű	toll	nem	nem	igen	igen	nem	Madarak
macska	melegvérű	bunda	igen	nem	nem	igen	nem	Emlősök
leopárd cápa	hidegvérű	pikkely	igen	igen	nem	nem	nem	Halak
teknősbéka	hidegvérű	pikkely	nem	félig	nem	igen	nem	Hüllők
pingvin	melegvérű	toll	nem	félig	nem	igen	nem	Madarak
tarajos sül	melegvérű	tüske	igen	nem	nem	igen	igen	Emlősök
angolna	hidegvérű	pikkely	nem	igen	nem	nem	nem	Halak
szalamandra	hidegvérű	nincs	nem	félig	nem	igen	igen	Kétéltűek

4.1. Definició

[Osztályozás] Az osztályozás egy olyan f célfüggvény (target function) megtanulásának a feladata, amely attribútumértékek minden egyes x halmazához előre definiált osztálycímkék valamelyikét ( y ) rendeli hozzá.

A célfüggvény informálisan osztályozási modellként (classification model) is ismert. Az osztályozási modell a következő célokra használható.

Leíró modellezés (descriptive modeling)

Az osztályozási modell magyarázó eszközként szolgálhat különböző osztályok objektumainak a megkülönböztetésénél. Hasznos lenne például -- mind a biológusok, mind mások számára -- egy olyan leíró modell, amely 14. táblázat adatait összegzi és elmagyarázza, milyen jellemzők határozzák meg egy gerincesnél, hogy emlős, hüllő, madár, hal, vagy kétéltű.

Előrejelző modellezés (predictive modeling)

Egy osztályozási modell arra is használható, hogy megjósoljuk új rekordok osztálycímkéit. Amint azt 15. ábra mutatja, az osztályozási modellt egy olyan fekete dobozként lehet kezelni, amely automatikusan meghatároz egy osztálycímkét, amikor adott egy új rekord attribútumértékeinek halmaza. Tegyük fel, hogy a következő jellemzői adottak a viperagyíkként ismert élőlénynek:

Név	Test-	Bőr	Eleven-	Vízben	Tud	Van	Téli álmot	Osztály-
	őmérséklet	függelékei	szülő	él	repülni	lába	alszik	címke
viperagyík	hidegvérű	pikkely	nem	nem	nem	igen	igen	?

A 4.1. táblázatbeli adatállomány alapján épített osztályozási modellt használhatjuk annak az osztálynak a meghatározására, amelyhez ez az élőlény tartozik.

Az osztályozási módszerek leginkább bináris vagy névleges kategóriákkal rendelkező adatállományok előrejelzésére vagy leírására alkalmasak. Kevésbé hatékonyak rendezett kategóriák (például egy személy osztályozása magas, közepes, vagy alacsony jövedelmű csoport tagjaként) esetén, mivel ezek nem veszik figyelembe a kategóriák közötti implicit sorrendet. Szintén figyelmen kívül hagyják a kapcsolatok olyan más formáit, mint például a kategóriák közötti alosztály-szuperosztály kapcsolatok (például az ember és az emberszabású majmok főemlősök, ami viszont egy alosztálya az emlősöknek). A fejezet további része csak a bináris vagy névleges osztálycímkékre összpontosít.

Vissza		Előre
Feladatok	Főoldal	Az osztályozási probléma megoldásának általános megközelítése