वर्गीकरण एक मॉडल खोजने की प्रक्रिया है जो डेटा कक्षाओं या अवधारणाओं को परिभाषित और वर्गीकृत करता है। मॉडल प्रशिक्षण डेटा के एक सेट की खोज पर आधारित होते हैं (यानी, डेटा ऑब्जेक्ट्स जिनके लिए क्लास लेबल प्रसिद्ध हैं)। मॉडल उन ऑब्जेक्ट्स के क्लास लेबल की भविष्यवाणी कर सकता है जिनके लिए क्लास लेबल अज्ञात है।
व्युत्पन्न मॉडल को कई रूपों में दर्शाया जा सकता है, जिसमें वर्गीकरण नियम (यानी, IF-THEN नियम), निर्णय वृक्ष, संख्यात्मक सूत्र, या न्यूरल नेटवर्क शामिल हैं। एक निर्णय वृक्ष एक फ़्लोचार्ट-जैसी वृक्ष संरचना है, जहां प्रत्येक नोड एक विशेषता मूल्य पर एक परीक्षण इंगित करता है, प्रत्येक शाखा परीक्षण का परिणाम परिभाषित करती है, और वृक्ष पत्ते कक्षाओं या क्लास वितरण का वर्णन करते हैं।
निर्णय वृक्षों को वर्गीकरण नियमों में बदला जा सकता है। एक न्यूरल नेटवर्क, जब वर्गीकरण के लिए उपयोग किया जाता है, आमतौर पर न्यूरॉन-जैसी प्रसंस्करण इकाइयों का एक सेट होता है जिसमें इकाइयों के बीच भारित कनेक्शन होते हैं। वर्गीकरण मॉडल बनाने के लिए कई विधियां हैं, जिनमें भोले बेयसियन वर्गीकरण, सपोर्ट वेक्टर मशीन, और k-निकटतम-पड़ोसी वर्गीकरण शामिल हैं।
वर्गीकरण श्रेणीबद्ध (असतत, अनियंत्रित) लेबल का पूर्वानुमान लगाता है, प्रतिगमन मॉडल निरंतर-मूल्यवान फ़ंक्शन। प्रतिगमन (असतत) क्लास लेबल के बजाय लापता या अनुपलब्ध सांख्यिकीय डेटा मूल्यों का पूर्वानुमान लगा सकता है।
भविष्यवाणी संख्यात्मक भविष्यवाणी और क्लास लेबल भविष्यवाणी दोनों को परिभाषित करती है। प्रतिगमन विश्लेषण एक सांख्यिकीय पद्धति है जिसका उपयोग संख्यात्मक भविष्यवाणी के लिए किया जाता है, हालांकि कई तकनीकें भी मौजूद हैं। प्रतिगमन उपलब्ध डेटा के आधार पर वितरण प्रवृत्तियों की पहचान को भी घेरता है।
वर्गीकरण और प्रतिगमन को प्रासंगिकता विश्लेषण से पहले करने की आवश्यकता हो सकती है, जो वर्गीकरण और प्रतिगमन प्रक्रिया के लिए महत्वपूर्ण रूप से लागू विशेषताओं को पहचानने का प्रयास करता है। ऐसी विशेषताओं को वर्गीकरण और प्रतिगमन प्रक्रिया के लिए चुना जाएगा। कई विशेषताएं, जो अप्रासंगिक हैं, विचार से अनधिकृत हो सकती हैं।
मान लीजिए AllElectronics के बिक्री प्रबंधक के रूप में स्टोर में वस्तुओं के एक बड़े सेट को परिभाषित करना आवश्यक है, बिक्री अभियान के लिए तीन प्रकार की प्रतिक्रियाओं के आधार पर जैसे अच्छी प्रतिक्रिया, हल्की प्रतिक्रिया और कोई प्रतिक्रिया नहीं।
यह वस्तुओं की वर्णनात्मक विशेषताओं के आधार पर इन तीन कक्षाओं में से प्रत्येक के लिए एक मॉडल प्राप्त कर सकता है, जिसमें मूल्य, ब्रांड, निर्मित स्थान, प्रकार, और श्रेणी शामिल हैं। परिणामी वर्गीकरण को दूसरों से प्रत्येक क्लास को अधिकतम रूप से विश्लेषण करना चाहिए, डेटा सेट का एक संगठित चित्र प्रस्तुत करना चाहिए।
निर्णय वृक्ष मूल्य को तीन कक्षाओं को अलग करने वाला व्यक्तिगत कारक के रूप में पहचान सकता है। वृक्ष प्रकट कर सकता है कि इसके अलावा मूल्य, अन्य विशेषताएं जो प्रत्येक क्लास के ऑब्जेक्ट्स को एक दूसरे से आगे अलग करने में सहायता करती हैं उनमें ब्रांड और निर्मित स्थान शामिल हैं। ऐसा निर्णय वृक्ष हमें दिए गए बिक्री अभियान के प्रभाव को सीखने और भविष्य में अधिक कुशल अभियान डिजाइन करने की अनुमति दे सकता है।
