¿Cuáles son los elementos de clasificación en el algoritmo de clasificación?

La intención original de los algoritmos de clasificación es clasificar nuestros puntos de datos. Divídalos en cada categoría conocida. Así como hay muchas naranjas y manzanas en una canasta, la máquina clasificará las frutas en la canasta a través de nuestro modelo entrenado. Por ejemplo: rojo = manzana, naranja = naranja. Si queremos que la máquina alcance esta regla, necesitamos una cierta cantidad de datos marcados "rojo/naranja". Luego deja que el modelo aprenda, oh, esta es la regla de clasificación.

Así, los algoritmos de clasificación suelen requerir datos "etiquetados". Este es un proceso de aprendizaje supervisado. Debe saber qué características tienen los datos de destino y a qué etiquetas corresponden estas características. Luego, el modelo analiza cada dato y finalmente obtiene lo que creemos que son las reglas. Por tanto, los algoritmos de clasificación tienden a tener resultados de cálculo más precisos. Es sólo que los datos son más limitados. Si no se puede satisfacer, se debe considerar el análisis de conglomerados.

Proceso de clasificación

Preparación de datos - Prepara los datos que deseas clasificar. Estos datos deben estar etiquetados.

Clasificación de datos: divida los datos en un conjunto de entrenamiento y un conjunto de prueba. Hay muchos tipos de reglas divisorias. (Compartiré un artículo sobre la división de conjuntos de entrenamiento y conjuntos de prueba más adelante, así que estén atentos).

Entrenamiento del modelo: pase los datos del conjunto de entrenamiento al modelo para que cumpla con las reglas que necesitamos. .

Pruebe el modelo: utilice el conjunto de prueba para probar el rendimiento del modelo y ajustarlo.

Modelo de salida: empaqueta el modelo entrenado para la salida.

Métodos

Existen muchos métodos de clasificación. Pero muchos se basan en la regresión lineal, como la regresión logística. Aquí hay una pequeña vista previa de los algoritmos de clasificación que compartiré:

Regresión logística

Máquina de vectores de soporte (SVM)

KNN

Cuadro de toma de decisiones

Bosque aleatorio

Xgboots

Bayesiano

Red neuronal