3.5 Classificação, tipos de classificação e matriz de confusão

Classificação

Tipos de classificação

Logo no início, é importante ressaltar que nem todas as classificações são iguais. Portanto, vamos primeiro descobrir quais classificações existem e o que as caracteriza. Exemplos de triagem de pedaços de papel ou de triagem de correio são exemplos de classificação binária porque temos apenas dois grupos: pedaços de papel a deitar fora e pedaços de papel a armazenar, ou seja, correio desejável e indesejável. Os grupos no mundo da aprendizagem automática são chamados de aulas , então continuaremos a manter essa designação. Para podermos distinguir entre classes, associamo-las a nomes que se aproximam do que realmente contêm. Por exemplo, "folhas de papel" e "lixo eletrónico" são nomes claros o suficiente. Os nomes geralmente são especificados por rótulos, que aparecem no conjunto de dados ao qual a tarefa de classificação é aplicada.

 Se tivermos mais de duas classes, estamos a falar de uma tarefa de classificação multiclasse . Por exemplo, essa é a tarefa de classificar fotos por eventos onde cada evento pode representar uma classe. Podemos criar três diretórios, ou seja, três classes, dar-lhes os nomes "excursão", "aniversário da tia" e "viagem", e depois atribuir cada uma das fotos a uma dessas classes, colocando-as no diretório apropriado.

 Podemos pensar em diferentes tipos de classificação com base nos critérios de afiliação. Por exemplo, um e-mail pode ser desejável ou indesejável, não pode pertencer à classe de e-mails desejáveis e indesejáveis ao mesmo tempo. É semelhante com as fotografias e classes que introduzimos. Por outro lado, um artigo de jornal pode ser simultaneamente sobre o tema da cultura, das viagens e da gastronomia, pelo que podemos associá-lo a um maior número de classes - a que representa a cultura, a que representa as viagens e a que representa a comida. Como neste caso as instâncias têm mais características, ou seja, rótulos, chamamos esse tipo de classificação multilabelar . Embora seja muito interessante e útil, não abordaremos a classificação multilabelar com mais conteúdos, mas nos concentraremos na classificação binária e multiclasse.

Classificação do ponto de vista da aprendizagem automática

Quando pensamos na tarefa de classificação do ponto de vista da aprendizagem automática, estamos interessados em mapeamentos discretos, ou seja, mapeamentos que podem atribuir um dos valores finitos às variáveis de entrada. Na maioria das vezes, o número de classes é menor, expresso em um número de um dígito, mas também pode se lembrar do  conjunto ImageNet  e da competição de classificação de imagem na qual 1000 classes são usadas. As variáveis que podem ter um número finito de valores são chamadas categóricas, então podemos falar sobre classificação É como um mapeamento que é caracterizado por uma variável alvo categórica

\( F(x) = \begin{cases} 0 & \text{if } x < 0 ,\\ \frac{1}{2} & \text{if } 0 \leq x < 1 ,\\ 1 & \text{if } x \geq 1 \end{cases} \)

Um exemplo de uma função discreta.

Como a classificação é uma tarefa supervisionada de aprendizagem automática, o conjunto de dados usado para treinar o modelo contém pares de entradas e saídas esperadas. As entradas podem ser imagens, mensagens de texto ou dados tabulares, e todas as diretrizes discutidas na lição sobre a preparação de um conjunto de dados se aplicam à sua preparação. A saída é sempre o nome da classe. Embora tenhamos introduzido nomes de classe para facilitar o acompanhamento da tarefa de classificação, quando chegamos à parte de preparação dos dados, precisamos transformá-los em valores numéricos também. Aqui podemos ser guiados pelos preparativos que discutimos para trabalhar com atributos categóricos: mapeamento de um conjunto de valores ou  codificação  a quente.

No caso da classificação binária, geralmente mapeamos os nomes das classes para os valores 0 e 1. Por exemplo, a ocorrência do nome da classe "lixo eletrônico" é substituída pelo valor 0 e a ocorrência do nome "lixo eletrônico" pelo valor 1. Muitas vezes, os casos que têm um rótulo de 0 são ditos pertencer a  uma classe negativa, e os casos que têm um rótulo de 1 são ditos pertencer a uma classe positiva .

 Quando se trata de classificação multiclasse, usamos codificação a quente para preparar a variável de destino . Por exemplo, para a tarefa de classificar fotos por eventos, vamos transformar as saídas em vetores de comprimento três, porque temos exatamente três classes: "excursão", "aniversário da tia" e "viagem". Em seguida, atribuiremos a cada um desses valores um vetor que tem um na posição apropriada e zero em todas as posições restantes. Serão esses, por ordem, os valores de (1, 0, 0), (0, 1, 0) e (0, 0, 1). Aqui é importante aderir consistentemente à ordem de classes escolhida.

Abaixo, vamos conhecer os dois algoritmos usados para a tarefa de classificação binária. O problema da classificação multiclasse pode ser resolvido através de algoritmos especialmente concebidos, mas também através de vários classificadores binários associados. Vamos aproximar duas dessas técnicas chamadas "um contra todos" e "um contra um".

Vamos imaginar que temos três classes: vermelho, verde e azul. A abordagem "um contra todos" implica que precisamos aprender três classificadores binários: um que distingue a classe verde do resto (sindicatos das classes vermelha e azul), um que distingue a classe azul do resto (sindicatos das classes verde e vermelha), e um que distingue a classe vermelha do resto (sindicatos das classes verde e azul). Quando precisamos classificar uma nova instância, executamos cada um dos três classificadores binários e aplicamos o princípio da mais alta confiança aos resultados obtidos: a instância se junta à classe cujo classificador é o mais seguro. Veremos em breve como a segurança do classificador é avaliada.

Uma abordagem individual

Novamente, imagine que temos três classes: vermelho, verde e azul. A abordagem um-para-um envolve o treinamento de classificadores binários que podem distinguir entre cada um dos pares de classes: vermelho e verde, verde e azul, e vermelho e azul. Em geral, se temos n classes, o número de classificadores binários que precisamos treinar é \(\frac{n <span style="font-family: 'Cambria Math',serif; mso-bidi-font-family: 'Cambria Math';">⋅</span> (n−1)}{2}\) . Quando precisamos classificar uma nova instância, executamos cada um dos classificadores aprendidos e aplicamos o princípio da votação por maioria aos resultados obtidos: a instância se junta à classe para a qual o maior número de classificadores vota.

Abordagem individual