دسته‌بندی
دسته‌بندی در یادگیری ماشین: پیش‌بینی کلاس، باینری و چندکلاسه، معیارهای دقت و召回 و مثال عملی
دسته‌بندی چیست؟
دسته‌بندی (Classification) یعنی پیش‌بینی کلاس یا دسته برای داده جدید: اسپم/سالم، تقلب/عادی، قبول/مردود. برخلاف رگرسیون که عدد پیوسته می‌دهد، دسته‌بندی خروجی گسسته دارد.
انواع دسته‌بندی
- باینری: دو کلاس — بیمار سالم/مبتلا، تراکنش عادی/مشکوک
- چندکلاسه: چند کلاس — دسته‌بندی خبر (سیاسی/ورزشی/اقتصادی)
- چندبرچسبی: هر نمونه می‌تواند چند برچسب داشته باشد — یک فیلم هم اکشن هم کمدی
مثال‌های واقعی
- تشخیص ایمیل اسپم
- ارزیابی اعتباری مشتری (وام بدهیم یا نه؟)
- تشخیص بیماری از روی آزمایش‌ها
- تشخیص چهره و اثر انگشت
ارزیابی دسته‌بند — فقط دقت کافی نیست!
فرض کنید ۱٪ تراکنش‌ها تقلبی است. مدلی که بگوید «همه عادی!» دقت ۹۹٪ دارد اما کاملاً بی‌فایده است! پس به معیارهای دقیق‌تر نیاز داریم:
| معیار | سؤال | مثال تشخیص بیماری |
|---|---|---|
| دقت (Accuracy) | کل پاسخ‌های درست چند درصد بود؟ | — |
| دقت مثبت (Precision) | از مبتلایانی که گفتیم، چند نفر واقعاً مبتلا بودند؟ | کاهش هشدار کاذب |
| بازیابی (Recall) | از کل مبتلایان واقعی، چند نفر را پیدا کردیم؟ | عدم از دست‌دادن بیمار |
| F1 | میانگین تعادلی Precision و Recall | — |
کدام مهم‌تر است به مسئله بستگی دارد: در تشخیص سرطان، Recall بالا حیاتی است (هیچ مبتلایی از دست نرود)؛ در فیلتر اسپم، Precision مهم است (ایمیل سالم را اسپم نکن).
الگوریتم‌های معروف دسته‌بندی
- رگرسیون لجستیک: ساده و تفسیرپذیر (احتمال می‌دهد)
- KNN: بر اساس شبیه‌ترین همسایه‌ها
- درخت تصمیم: قواعد if-else قابل فهم
- جنگل تصادفی: ترکیب چند درخت، قوی‌تر
جزئیات کامل هرکدام در دوره ماشین لرنینگ پلتفرم آموزش داده شده است.
نکته: در داده نامتوازن (مثل ۱٪ تقلب)، همیشه Precision و Recall را کنار Accuracy گزارش کنید؛ وگرنه تصویر واقعی عملکرد مدل را نمی‌بینید.
جمع‌بندی
- دسته‌بندی = پیش‌بینی کلاس؛ باینری، چندکلاسه یا چندبرچسبی
- Accuracy به‌تنهایی گمراه‌کننده است در داده نامتوازن
- Precision ضد هشدار کاذب، Recall ضد از‌دست‌دادن مثال‌ها
- انتخاب معیار مهم‌تر به هزینه خطای هر نوع بستگی دارد
این مبحث بخشی از دوره آموزش کامل علم داده است.