Відкрити головне меню
Binary-classification-labeled.svg

Бінарнарна класифікація — клас задач класифікації елементів набору даних на дві групи на підставі правила класифікації[en].

Типові задачі бінарної класифікації:

Важливим моментом бінарної класифікації є те, що два класи звичайно не симетричні як за обсягом відмінних наборів даних з кожного класу, так і за наслідками помилкової класифікації. Наприклад, у медичному тестуванні варіативність даних про кров'яний тиск є значно меншою, ніж варіативність цих даних для хворих, а наслідком помилки класифікації стане призначення лікування здоровій людині або непризначення хворій.

Зміст

Статистична бінарна класифікаціяРедагувати

Задача класифікації є предметом розгляду в машинному навчанні. Це задача навчання з учителем — метод в якому категорії відомі, і задача полягає у визначенні цих категорій для нових спостережень. Коли таких категорій всього дві, то це статистична бінарна класифікація.

Для автоматизованого вирішення задач бінарної класифікації часто застосовують методи, як

Якість класифікатора залежить від предметної області та від кількості спостережень, розмірності вектора ознак, шуму в даних та багатьох інших факторів. Наприклад, random forest на хмарах 3D-точок працює краще, ніж метод опорних векторів.[1][2]

Оцінки бінарних класифікаційРедагувати

Існує багато метрик, які можна використовувати для вимірювання продуктивності класифікатора або якості прогнозу. Різні поля мають різні переваги для конкретних метрик, які відповідають різним цілям. Наприклад, в медицині часто використовуються чутливість і специфічність[en], в той час як при добуванні інформації вважають за краще точність і повноту. Важливою відмінністю в метриках полягає в тому, чи є вона незалежної від поширеності (як часто кожна категорія зустрічається в популяції, англ. prevalence) і метрики, які залежать від поширеності обох типів також корисні, але вони дуже відрізняються властивостями.

Див. такожРедагувати

ПриміткиРедагувати

  1. Zhang & Zakhor, Richard & Avideh (2014). Automatic Identification of Window Regions on Indoor Point Clouds Using LiDAR and Cameras. VIP Lab Publications. 
  2. Y. Lu and C. Rasmussen (2012). Simplified markov random fields for efficient semantic labeling of 3D point clouds. IROS. 

ЛітератураРедагувати

  • Nello Cristianini and John Shawe-Taylor. An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press, 2000. ISBN 0-521-78019-5 ([1] SVM Book)
  • John Shawe-Taylor and Nello Cristianini. Kernel Methods for Pattern Analysis. Cambridge University Press, 2004. ISBN 0-521-81397-2 ([2] Kernel Methods Book)
  • Bernhard Schölkopf and A. J. Smola: Learning with Kernels. MIT Press, Cambridge, Massachusetts, 2002. (Partly available on line: [3].) ISBN 0-262-19475-9