वर्गीकरण एक डेटा-माइनिंग दृष्टिकोण है जो अधिक कुशल भविष्यवाणियों और विश्लेषण में सहायता के लिए डेटा के एक सेट को तत्वों को निर्दिष्ट करता है। वर्गीकरण आमतौर पर तब उपयोग किया जाता है जब दो लक्ष्य कक्षाएं होती हैं जिन्हें बाइनरी वर्गीकरण के रूप में जाना जाता है।
जब दो से अधिक कक्षाओं की भविष्यवाणी की जा सकती है, विशेष रूप से पैटर्न मान्यता समस्याओं में, इसे बहुपद वर्गीकरण के रूप में परिभाषित किया जाता है। हालांकि, बहुपद वर्गीकरण का उपयोग श्रेणीबद्ध प्रतिक्रिया डेटा के लिए किया जा सकता है, जहां विभिन्न तत्वों में से किस श्रेणी में सबसे बड़ी संभावना के साथ उदाहरण हैं, भविष्यवाणी करने की आवश्यकता होती है।
डेटा वर्गीकरण दो-चरणीय चरण है। पहले चरण में, एक वर्गीकरणकर्ता पूर्वनिर्धारित डेटा कक्षाओं या अवधारणाओं के संग्रह को परिभाषित करके बनाया जाता है। यह सीखने का चरण (या प्रशिक्षण चरण) है, जहां एक वर्गीकरण एल्गोरिथ्म डेटाबेस टुपल्स और उनके संबंधित क्लास लेबल से बने एक प्रशिक्षण सेट का विश्लेषण या "समझकर" वर्गीकरणकर्ता विकसित करता है।
एक टुपल, X, को n-आयामी विशेषता वेक्टर द्वारा वर्णित किया जाता है, X = (x1, x2, … xn), जो n डेटाबेस विशेषताओं से टुपल पर किए गए n मापों को परिभाषित करता है, तदनुसार, A1,A2,... An।
प्रत्येक टुपल, X, को एक पूर्वनिर्धारित क्लास से संबंधित माना जाता है जैसा कि एक अन्य डेटाबेस विशेषता द्वारा तय किया जाता है जिसे क्लास लेबल विशेषता के रूप में जाना जाता है। क्लास लेबल विशेषता असतत-मूल्यवान और अनियंत्रित है। यह श्रेणीबद्ध है क्योंकि प्रत्येक मूल्य एक श्रेणी या क्लास के रूप में कार्य करता है।
प्रशिक्षण सेट बनाने वाले एकल टुपल्स को प्रशिक्षण टुपल्स के रूप में परिभाषित किया जाता है और विश्लेषण के तहत डेटाबेस से चुना जाता है। वर्गीकरण के ढांचे में, डेटा टुपल्स को नमूने, उदाहरण, डेटा पॉइंट्स, या ऑब्जेक्ट्स के रूप में परिभाषित किया जा सकता है।
क्योंकि प्रत्येक प्रशिक्षण टुपल का क्लास लेबल समर्थित है, इस चरण को पर्यवेक्षित सीखना कहा जाता है। इसकी तुलना अनपर्यवेक्षित सीखने (या क्लस्टरिंग) से की जा सकती है, जिसमें प्रत्येक प्रशिक्षण टुपल का क्लास लेबल ज्ञात नहीं होता है, और समझने के लिए कक्षाओं की संख्या या सेट को अग्रिम में नहीं जाना जा सकता है।
दूसरे चरण में, मॉडल का उपयोग वर्गीकरण के लिए किया जा सकता है। पहले, वर्गीकरणकर्ता की भविष्यवाणी सटीकता का अनुमान लगाया जाता है। यदि वर्गीकरणकर्ता की सटीकता की गणना के लिए प्रशिक्षण सेट का उपयोग किया जाता है, तो यह अनुमान आशावादी हो सकता है, क्योंकि वर्गीकरणकर्ता रिकॉर्ड को ओवरफिट करने की प्रवृत्ति रखता है (यानी, सीखने के दौरान यह प्रशिक्षण रिकॉर्ड की कुछ विशिष्ट विसंगतियों को शामिल कर सकता है जो सामान्य डेटा सेट में मौजूद नहीं हैं)।
इसलिए, एक टेस्ट सेट का उपयोग किया जाता है, जो टेस्ट टुपल्स और उनके संबंधित क्लास लेबल से बना होता है। ये टुपल्स सामान्य डेटा सेट से यादृच्छिक रूप से चुने जाते हैं। वे प्रशिक्षण टुपल्स से अलग होते हैं, जिसका अर्थ है कि वे वर्गीकरणकर्ता बनाने के लिए उपयोग नहीं किए जाते हैं।
