پاورپوینت کلاس بندی مفاهیم اولیه (pptx) 27 اسلاید
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید: 27 اسلاید
قسمتی از متن PowerPoint (.pptx) :
1
فصل هشتم: کلاس بندی، مفاهیم اولیه
کلاس بندی: مفاهیم پایه
استنتاج درخت تصمیم
معیارهای انتخاب صفت
هرس کردن درخت
کلاس بندی
پیش بینی برچسبهای کلاس (گسسته یا اسمی)
کلاس بندی داده ها(ساخت یک مدل) براساس مجموعه آموزشی و مقادیر (برچسب های کلاس)در یک صفت کلاس بندی و استفاده ازآن در کلاس بندی داده های جدید
پیش بینی عددی
مدل سازی توابع مقادیر پیوسته که مقادیر ناشناخته یا مفقود را پیش بینی می کند.
کاربردهای رایج:
تأیید وام یا اعتبار
تشخیص پزشکی: آیا یک تومور سرطانی است یا خوش خیم
تشخیص تقلب: آیا یک تراکنش جعلی است یا نه
طبقه بندی صفحات وب
چالش های پیش بینی: کلاس بندی در برابر پیش بینی عددی
پیش بینی عددی چه تفاوتی با کلاس بندی دارد؟
پیش بینی داده هم مانند کلاس بندی یک فرآیند دو مرحله ای است.
با این وجود برای پیش بینی، ما مفهمومی به نام صفت برچسب کلاس نداریم. زیرا صفتی که روی آن پیش بینی انجام می شود یک مقدار پیوسته (ترتیبی) است نه یک صفت قطعی (گسسته و غیرترتیبی)
مثال:یک کارمند بانک در بخش وام بانکی نیاز به تحلیل داده های خود دارد تا بتواند مشخص کند کدامیک از درخواست های دریافت وام برای بانک بی خطر و کدامیک برای بانک پرمخاطره هستند.
در اینجا تحلیل داده مستلزم کلاس بندی است تا یک مدل یا classifier برای پیش بینی عناوین کلاس ساخته شود. مانند safe یا risky
در این مثال برای پیش بینی مقدار (دلار) ی که باعث می شود وام دادن به یک درخواست کننده safe باشد، کار داده کاوی به جای کلاس بندی، پیش بینی خواهد بود.
صفت loan_decision را با loan amount که یک صفت با مقدار پیوسته است جایگزین کرده و یک پیشگو برای انجام کار میسازیم.
کلاس بندی در برابر پیش بینی عددی
کلاس بندی – یک فرآیند دو مرحله ای
a) یادگیری: داده های آموزشی توسط الگوریتم کلاس بندی تحلیل می شوند. در اینجا صفت برچسب کلاس loan_decision است و مدل آموخته یا classifier به فرم قوانین کلاس بندی ارائه شده است.
کلاس بندی – یک فرآیند دو مرحله ای
b) کلاس بندی: داده تست برای تخمین دقت قوانین کلاس بندی به کار گرفته شده است. اگر دقت قابل قبول باشد قوانین می توانند برای کلاس بندی تاپل های جدید به کار گرفته شوند.
کلاس بندی – یک فرآیند دو مرحله ای
ساخت مدل: توصیف مجموعه ای از کلاسهای از پیش تعیین شده
فرض می شود هر تاپل/ نمونه متعلق به یک کلاس از پیش تعریف شده است که به آن صفت برچسب کلاس گویند.
مجموعه تاپل هایی که برای ساخت مدل استفاده می شوند را مجموعه آموزشی گویند.
مدل به صورت قوانین کلاس بندی، درخت های تصمیم یا فرمول های ریاضی ارائه میشود.
استفاده از مدل: برای کلاس بندی اشیاء بعدی یا ناشناخته
تخمین دقت مدل
برچسب شناخته شده از نمونه تست با نتایج کلاس بندی شده ی مدل مقایسه میشوند.
نرخ دقت، درصد نمونه های مجموعه تست است که به طور صحیح به وسیله مدل کلاس بندی شده اند.
مجموعه تست مستقل از مجموعه آموزشی است(درغیراینصورت منجر به overfitting میشود.)
اگر دقت قابل قبول باشد، از مدل برای کلاس بندی داده های جدید استفاده میشود.
مرحله اول: ساخت مدل
الگوریتم های
کلاس بندی
IF rank = ‘professor’
OR years > 6
THEN tenured = ‘yes’
مرحله دوم: استفاده از مدل در پیش بینی
(Jeff, Professor, 4)
منصوب شده؟
یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
یادگیری تحت نظارت (کلاس بندی)
نظارت: داده های آموزشی (مشاهدات، اندازه گیری ها و ...) به وسیله برچسبها همراه می شوند که مشخص کننده کلاس مشاهدات هستند.
داده های جدید براساس مجموعه آموزشی کلاس بندی می شوند.
یادگیری بدون نظارت (خوشه بندی)
برچسب کلاس داده های آموزشی شناخته شده نیست.
با داشتن مجموعه ای از اندازه گیری ها، مشاهدات و غیره، هدف ساخت کلاس ها یا خوشه ها در داده ها می باشد.
