वर्गीकरण डेटा इंस्टेंस के लिए टीम सदस्यता का पूर्वानुमान लगाने के लिए उपयोग किया जाने वाला एक डेटा माइनिंग दृष्टिकोण है। यह एक दो-चरण प्रक्रिया है। पहले चरण में, डेटा वर्गों या दृष्टिकोणों के पूर्वनिर्धारित सेट को परिभाषित करने वाला एक मॉडल बनाया जाता है। मॉडल को विशेषताओं द्वारा परिभाषित डेटाबेस टुपल्स पर विचार करके विकसित किया जाता है।
प्रत्येक टुपल को एक पूर्वनिर्धारित वर्ग से संबंधित माना जाता है, जैसा कि विशेषताओं में से एक द्वारा तय किया जाता है, जिसे क्लास लेबल विशेषता के रूप में जाना जाता है। वर्गीकरण के ढांचे में, डेटा टुपल्स को नमूने, उदाहरण, या ऑब्जेक्ट्स के रूप में भी परिभाषित किया जाता है। मॉडल को संयुक्त रूप से विकसित करने के लिए विश्लेषण किए गए डेटा टुपल्स प्रशिक्षण डेटा सेट बनाते हैं। प्रशिक्षण सेट बनाने वाले एकल टुपल्स को प्रशिक्षण नमूने के रूप में परिभाषित किया जाता है और नमूना आबादी से लापरवाही से चुने जाते हैं।
चूंकि प्रत्येक प्रशिक्षण नमूने का क्लास लेबल समर्थित है, इस प्रक्रिया को सुपरवाइज्ड लर्निंग के रूप में भी संदर्भित किया जाता है। अनसुपरवाइज्ड लर्निंग में, जिसमें प्रशिक्षण नमूनों के क्लास लेबल गुमनाम हैं, और सीखे जाने वाले कई वर्ग अग्रिम में ज्ञात नहीं हो सकते हैं।
सीखा गया मॉडल वर्गीकरण नियमों, निर्णय वृक्षों, या संख्यात्मक सूत्रों की संरचना में वर्णित है। उदाहरण के लिए, उपयोगकर्ता क्रेडिट डेटा के डेटाबेस को देखते हुए, वर्गीकरण नियम सीखे जा सकते हैं ताकि उपयोगकर्ताओं को सर्वश्रेष्ठ या उचित क्रेडिट रेटिंग के रूप में पहचाना जा सके। नियमों का उपयोग भविष्य के डेटा नमूनों को वर्गीकृत करने के लिए किया जा सकता है, और डेटाबेस सामग्री की अच्छी समझ का समर्थन कर सकते हैं।
होल्डआउट दृष्टिकोण एक सरल तकनीक है जो क्लास-लेबल नमूनों के एक टेस्ट सेट को लागू करती है। ये नमूने बेतरतीब ढंग से चुने जाते हैं और प्रशिक्षण नमूनों से स्वतंत्र होते हैं। दिए गए टेस्ट सेट पर मॉडल की दक्षता टेस्ट सेट नमूनों का प्रतिशत है जो मॉडल द्वारा सही ढंग से प्रतिबंधित हैं। प्रत्येक टेस्ट नमूने के लिए, प्रसिद्ध क्लास लेबल को उस नमूने के लिए सीखे गए मॉडल के क्लास पूर्वानुमान के साथ अलग किया जाता है।
यदि मॉडल की दक्षता प्रशिक्षण डेटा सेट के आधार पर अनुमानित की जाती, तो यह अनुमान आशावादी हो सकता है क्योंकि सीखा गया मॉडल जानकारी को ओवरफिट करने की प्रवृत्ति रखता है (अर्थात, यह प्रशिक्षण जानकारी की कुछ विशिष्ट विसंगतियों को शामिल कर सकता है जो पूर्ण नमूना आबादी में मौजूद नहीं हैं)। इसलिए, एक टेस्ट सेट का उपयोग किया जाता है।
सीखना (Learning): प्रशिक्षण जानकारी का विश्लेषण एक वर्गीकरण एल्गोरिदम द्वारा किया जाता है। इसलिए, क्लास लेबल विशेषता क्रेडिट रेटिंग है, और सीखा गया मॉडल या क्लासिफायर को वर्गीकरण नियम की संरचना में वर्णित किया जाता है।
वर्गीकरण (Classification): टेस्ट डेटा का उपयोग वर्गीकरण नियमों की दक्षता को मापने के लिए किया जाता है। यदि दक्षता स्वीकार्य मानी जाती है, तो नियमों का उपयोग नए डेटा टुपल्स के वर्गीकरण के लिए किया जा सकता है।
