Təsnifat tapşırığı

Statistika elmində təsnifat tapşırığı — bir və ya daha çox obyektin verilmiş siniflərdən hansılarına aid olduğunu müəyyən etmə tapşırığıdır. Məsələn, verilən şəkildəki rəqəmin hansı rəqəm olduğunun müəyyənləşdirilməsi, bir pasientə ölçüləri əsasında (qan təzyiqi, yaş, müəyyən simptomların göstəriciləri) diaqnozun qoyulması, təsnifat tapşırıqlarıdır.

Çox vaxt təsnifatlandırıcı alqoritmlərin qurulması üçün, əvvəlcədən hansı sinfə aid olduqları bilinən sonlu sayda cisim verilir. Qalan obyektlərin sinif mənsubiyyəti məlum deyil. İlkin çoxluqdan, ixtiyari bir obyekti təsnif etməyə qadir olan bir alqoritm qurmaq tələb olunur.

Bir obyekti təsnif etmək — bu obyektin aid olduğu sinfi göstərmək deməkdir.

Bir obyektin təsnifatı — müəyyən bir obyektə tətbiqi nəticəsində təsnifat alqoritmi tərəfindən verilmiş sinifdir.

Riyazi statistikada təsnifat problemləri ayrı-seçkilik təhlili problemləri də adlanır. Maşın öyrənməsində təsnifat problemi, xüsusən də müəllimlə təlim şəklində bir təcrübə qurarkən süni neyron şəbəkələri metodlarından istifadə edilməklə həll edilir.

Təcrübə qurmağın başqa yolları da var — müəllim olmadan öyrənmək, ancaq başqa bir problemi həll etmək üçün istifadə olunur — klasterləşmə və ya taksonomiya. Bu tapşırıqlarda təlim nümunələrinin obyektlərinin siniflərə ayrılması göstərilmir və obyektlərin yalnız bir-birlərinə oxşarlığı əsasında təsnifləşdirilməsi tələb olunur. Bəzi tətbiq olunan sahələrdə və hətta riyazi statistikanın özündə də, vəzifələrin yaxınlığı səbəbindən çoxluq problemləri tez-tez təsnifat problemlərindən fərqlənmir.

Təsnifat problemlərinin həlli üçün bəzi alqoritmlər müəllimlə tədris və müəllimsiz öyrənmə məsələlərini birləşdirir, məsələn, Kohonen neyron şəbəkələrinin versiyalarından biri — müəllimlə öyrədilmiş vektor kvantlaşdırma şəbəkələridir.

Tapşırığın riyazi ifadəsi

Tutalım ${\displaystyle X}$ obyektlərin təsviri toplusu olsun, ${\displaystyle Y}$ - sinif nömrələrinin (və ya adların) məcmusu. Naməlum bir 'hədəf asılılığı' xəritəçəkmə var ${\displaystyle y^{*}\colon X\to Y}$, dəyərləri yalnız son təlim çoxluğunun obyektlərində məlumdur ${\displaystyle X^{m}=\{(x_{1},y_{1}),\dots ,(x_{m},y_{m})\}}$ Bir alqoritm qurmaq tələb olunur ${\displaystyle a\colon X\to Y}$, ixtiyari bir obyekti təsnif edə bilir ${\displaystyle x\in X}$.

Tapşırığın ehtimal olunan ifadəsi

Daha ümumi bir problemin ehtimal olunan ifadəsidir. "Obyekt, sinif" cütlüklərinin ${\displaystyle X\times Y}$nın naməlum bir ehtimal ölçüsü  ${\displaystyle {\mathsf {P}}}$ olduğu ehtimal olunur. Son təlim nümunəsi = ${\displaystyle X^{m}=\{(x_{1},y_{1}),\dots ,(x_{m},y_{m})\}}$ehtimal ölçməsinə görə ${\displaystyle a\colon X\to Y}$. X-də ixtiyari bir obyekt təsnif edə bilən ${\displaystyle x\in X}$ alqoritminin qurulması tələb olunur.

Xarici keçidlər

• www.MachineLearning.ru — maşın öyrənməsinə və məlumatların istehsalına həsr olunmuş peşəkar vikimənbə
• Константин Воронцов. Курс лекций Математические методы обучения по прецедентам, МФТИ, 2004-2008
• Юрий Лифшиц. Автоматическая классификация текстов Arxivləşdirilib 2020-01-13 at the Wayback Machine (Слайды) — лекция №6 из курса «Алгоритмы для Интернета» Arxivləşdirilib 2008-10-15 at the Wayback Machine
• kNN и Потенциальная энергия (апплет), Миркес, Евгений Моисеевич и университет Лейстера.

Ədəbiyyat

• Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности. — М.: Финансы и статистика, 1989.
• Вапник В. Н. Восстановление зависимостей по эмпирическим данным. — М.: Наука, 1979.
• Журавлев Ю. И., Рязанов В. В., Сенько О. В. «Распознавание». Математические методы. Программная система. Практические применения. — М.: Фазис, 2006. ISBN 5-7036-0108-8.
• Загоруйко Н. Г. Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999. ISBN 5-86134-060-9.
• Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. ISBN 966-00-0341-2.
• Hastie, T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. — Springer-Verlag, 2001. — 533 p. — ISBN 0-387-95284-5..
• Mitchell T. Machine Learning. — McGraw-Hill Science/Engineering/Math, 1997. ISBN 0-07-042807-7.