Med klassifikationsalgoritmer tager du et eksisterende datasæt og brug hvad du ved om det til at generere en prædiktiv model til brug ved klassificering af fremtidige datapunkter. Hvis dit mål er at bruge dit datasæt og dets kendte undergrupper til at opbygge en model til forudsigelse af kategorisering af fremtidige datapunkter, vil du gerne bruge klassifikationsalgoritmer.
Når du implementerer overvåget klassifikation, skal du allerede kende dine datas subgrupper - disse undergrupper hedder kategorier . Klassificering hjælper dig med at se, hvor godt dine data passer ind i datasættets foruddefinerede kategorier, så du derefter kan opbygge en prædiktiv model til brug ved klassificering af fremtidige datapunkter.
Figuren illustrerer, hvordan det ser ud til at klassificere Verdensbankens indkomst- og uddannelsesdatasæt i henhold til kontinentets kategori.
Du kan se, at de undergrupper, du måske identificerer med en clusteringsteknik, i nogle tilfælde svarer til kontinenternes kategori, men i andre tilfælde gør de det ikke. Se for eksempel på det ene asiatiske land midt i de afrikanske datapunkter. Det er Bhutan. Du kan bruge dataene i dette datasæt til at opbygge en model, der ville forudsige en kontinentskategori for indgående datapunkter.
Men hvis du introducerede et datapunkt for et nyt land, der viste statistikker svarende til Bhutans, kunne det nye land kategoriseres som en del af enten det asiatiske kontinent eller det afrikanske kontinent, afhængigt af om hvordan du definerer din model.
Forestil dig nu en situation, hvor dine oprindelige data ikke indeholder Bhutan, og du bruger modellen til at forudsige Bhutans kontinent som et nyt datapunkt. I dette scenario ville modellen fejlagtigt forudsige, at Bhutan er en del af det afrikanske kontinent.
Dette er et eksempel på modeloverfitting - situationer, hvor en model er så tæt på det underliggende datasæt, såvel som støj eller tilfældig fejl, der er forbundet med datasættet, at modellen udfører dårligt som en forudsigelse for nye datapunkter.
For at undgå overfitting af dine modeller skal du dele dine data i et træningssæt og et testsæt. Et typisk forhold er at tildele 80 procent af dataene til træningssættet og de resterende 20 procent i testsætet. Opbyg din model med træningssættet, og brug testsætet til at evaluere modellen ved at foregive, at de test-set datapunkter ikke er kendt. Du kan vurdere nøjagtigheden af din model ved at sammenligne de kategorier, der er tildelt disse test-sæt datapunkter ved modellen til de egentlige kategorier.
Model overgeneralisering kan også være et problem. Overgeneralisering er modsat af overfitting: Det sker, når en datavidenskabsmand forsøger at undgå - fejlklassificering på grund af overfitting ved at lave en model ekstremt generel. Modeller, der er for generelle, giver op til hver kategori en lav grad af selvtillid.
For at illustrere model overgeneralisering, overvej igen Verdensbanken Indkomst og Uddannelse datasæt. Hvis modellen brugte tilstedeværelsen af Bhutan til at kaste tvivl om hvert nyt datapunkt i sin nærliggende nærhed, så slutter du med en wishy-washy model, der behandler alle nærliggende punkter som afrikansk, men med lav sandsynlighed. Denne model ville være en dårlig prædiktiv performer.
En god metafor for overfitting og overgeneralisering kan illustreres gennem den velkendte sætning, "Hvis den går som en and og snakker som en and, så er det en and. "Overfitting ville gøre denne sætning til:" Det er en and, hvis, og kun hvis det går og quacks nøjagtigt på de måder, jeg personligt har observeret en and, at gå og kvælte. Da jeg aldrig har observeret den måde, hvorpå en australsk spotted duck går og kvager, må en australsk plettet and ikke virkelig være en and i det hele taget. "
I modsætning hertil ville overgeneralisering sige," Hvis det bevæger sig rundt på to ben og udsender enhver højhøjet næsalyd, er det en and. Derfor skal Fran Fine, Fran Drescher's karakter i den 90'ers amerikanske sitcom The Nanny være en and. "
Overvåget maskinindlæring - den fancy term for klassificering - passer til situationer, hvor følgende egenskaber er sande:
-
Du kender og forstår datasættet, du analyserer.
-
Subsætene (kategorierne) i dit datasæt er defineret i forvejen og er ikke bestemt af dataene.
-
Du vil opbygge en model, der korrelerer dataene inden for de foruddefinerede kategorier, så modellen kan hjælpe med at forudsige kategoriseringen af fremtidige datapunkter.
Når du foretager klassificering, skal du huske følgende:
-
Model forudsigelser er kun lige så gode som modelens underliggende data. I Verdensbankens dataeksempel kunne det være tilfældet, at hvis der blev tilføjet andre faktorer som forventet levetid eller energiforbrug pr. Indbygger til modellen, kan dens prædiktive styrke øges.
-
Model forudsigelser er kun lige så gode som kategoriseringen af det underliggende datasæt. Hvad gør du for eksempel med lande som Rusland, der spænder over to kontinenter? Skelner du Nordafrika fra Afrika syd for Sahara? Klumper du Nordamerika ind med Europa, fordi de har tendens til at dele lignende egenskaber? Mener du, at Mellemamerika er en del af Nordamerika eller Sydamerika?
Der er en konstant risiko for overfitting og overgeneralisering. Et godt medium skal findes mellem de to.
