Толковый словарь по нейросетям и искусственному интеллекту
Классификация
Категория термина
Классификация — это тип задачи машинного обучения, при которой алгоритм обучается определять, к какому из заранее заданных классов принадлежит входной объект. Иными словами, классификация — это процесс присвоения метки (label) входным данным на основе обучающей выборки.
Классификация является основной задачей в supervised learning (обучении с учителем) и широко используется в различных областях: от медицины до финансов, от компьютерного зрения до обработки естественного языка.
🧠 Примеры задач классификации:
| Задача | Классы |
|---|---|
| Определение спама в письмах | Спам / Не спам |
| Распознавание рукописных цифр | 0, 1, 2, ..., 9 |
| Классификация тональности текста | Положительная / Нейтральная / Отрицательная |
| Диагностика заболеваний по симптомам | Болезнь A / Болезнь B / Нет болезни |
| Распознавание пола по фотографии | Мужской / Женский |
🔢 Виды классификации:
- Бинарная классификация — два класса (например, спам/не спам).
- Мультиклассовая классификация — более двух классов (например, определение вида животного).
- Мульти-лейбл классификация — объекту можно присвоить несколько меток (например, изображение может содержать и кошку, и собаку одновременно).
- Иерархическая классификация — классы организованы в иерархию (например, биологическая классификация видов).
🔬 Типичный пайплайн:
- Сбор и разметка данных
- Предобработка данных (нормализация, векторизация и т.д.)
- Выбор модели (логистическая регрессия, SVM, дерево решений, нейросеть и т.д.)
- Обучение модели
- Оценка модели (accuracy, precision, recall, F1)
- Прогнозирование (inference)
📊 Метрики оценки:
- Accuracy (точность) — доля правильно классифицированных объектов.
- Precision / Recall / F1-score — особенно важны при дисбалансе классов.
- Confusion Matrix — таблица ошибок классификации.
- ROC-AUC — качество бинарной классификации при разных порогах.
🧰 Алгоритмы классификации:
- Логистическая регрессия (Logistic Regression)
- Метод опорных векторов (SVM)
- Деревья решений (Decision Trees) и ансамбли (Random Forest, XGBoost)
- K ближайших соседей (KNN)
- Нейронные сети (MLP, CNN, RNN, Transformers)
🧬 Классификация в глубоком обучении:
- В NLP: классификация текстов (BERT, RoBERTa)
- В компьютерном зрении: ImageNet-классификация с CNN
- В аудиоанализе: классификация звуков и эмоций
- В биоинформатике: классификация белков или генетических мутаций
📌 Пример:
Допустим, вы создаёте модель для классификации отзывов покупателей.
Вход: текст отзыва.
Выход: метка "положительный" или "отрицательный".
Модель обучается на размеченной выборке отзывов и затем применяется к новым отзывам для автоматического определения тональности.
🌐 Области применения:
- Фильтрация спама и мошенничества
- Диагностика в медицине
- Классификация изображений, звуков, видео
- Анализ настроений в социальных сетях
- Системы рекомендаций и таргетинга
🧾 Заключение:
Классификация — фундаментальный метод машинного обучения, обеспечивающий интеллектуальное поведение систем в самых разных отраслях. Умение строить, обучать и интерпретировать классификационные модели — ключевая компетенция специалиста по ИИ и Data Science.
