Двоичная, бинарная или дихотомическая классификация — это задача классификации элементов заданного множества в две группы (предсказание, какой из групп принадлежит каждый элемент множества) на основе . Контекст, в котором требуется решение, имеет ли объект некоторое , некоторые специфичные характеристики или некоторую типичную двоичную классификацию, включает: Лабораторная диагностика для определения, болеет ли пациент определённой болезнью — классификационным свойством является наличие болезни. «Прошёл/не прошёл» или технического контроля на заводах, то есть решение, выполнены или нет спецификации — классификация . Информационный поиск, а именно, решение, должна или нет страница, или статья попасть в поиска — свойством классификации является значимость статьи или полезность для пользователя.

Двоичная классификация является дихотомизацией, применённой для практических нужд. Во многих практических задачах двоичной классификации две группы не симметричны — вместо общей точности важны относительные пропорции типов ошибок. Например, в лабораторных тестах ложно положительный результат (выявление болезни, которой на самом деле нет) считается различимым от ложно отрицательного (невыявление болезни, которой на самом деле пациент болеет).

Статистическая двоичная классификация Статистическая классификация — это задача, изучаемая в машинном обучении. Это вид обучения с учителем, метода машинного обучения, когда категории предопределены и используются для выбора категории для нового вероятностного наблюдения. Если имеется всего две категории, задача известна как статистическая двоичная классификация.

Некоторые методы, обычно используемые для двоичной классификации: Деревья решений Случайные леса Байесовские сети Методы опорных векторов Искусственные нейронные сети Логистическая регрессия Пробит-регрессия Каждый классификатор ведёт себя наилучшим образом только в выбранной области, основываясь на числе наблюдений, размерности вектора признаков, шуме в данных и многих других факторах. Например, классификаторы на основе случайных лесов работают лучше, чем на основе метода опорных векторов для трёхмерных облаков точек.

Оценка двоичной классификации

Существует много метрик, которые можно использовать для измерения производительности классификатора или предсказателя. Различные поля имеют различные преимущества для конкретных метрик ввиду различных целей. Например, в медицине часто используются чувствительность и специфичность, в то время как при извлечении информации предпочитают точность и отзыв. Важное отличие в метриках заключается в том, является ли она независимой от распространённости (как часто каждая категория встречается в популяции) или зависимой и оба типа полезны, но они имеют очень отличающиеся свойствам.

Если дана классификация множества данных, существует четыре базовые комбинации действительной категории и назначенной категории: правильно назначенные положительные классификации TP правильно назначенные отрицательные классификации TN ложно назначенные положительные классификации FP ложно назначенные отрицательные классификации FN Они могут быть расположены в таблице сопряжённости со столбцами, соответствующими действительным значениям — условно положительные (, CP) или условно отрицательные (, CN), и строками, соответствующими значениям классификации — результат теста положительный или отрицательный. Существует восемь базовых отношений, что могут быть вычислены из таблицы, которые распадаются на четыре дополняющие друг друга пары (сумма каждой пары равна 1). Они получаются путём деления каждого из четырёх чисел на сумму по строке или по столбцу, что даёт восемь чисел, о которых можно говорить как о «строке долей верноположительных» или «столбце долей ложноотрицательных», хотя существуют общеупотребимые термины. Существует также две пары отношений столбцов и две пары отношений строк, и можно получить четыре из них путём выбора одного отношения из каждой пары, остальные четыре числа являются их дополнениями.

Столбец долей содержит отношение верноположительных (, TPR, называемое также чувствительностью или отзывом, дополнение — , , FNR) и долю верноотрицательных результатов (, TNR, называемую также специфичностью, (, SPC, дополнение — , , FPR). Они пропорциональны популяции с условием (соответственно, без условия) для которой тест верен (или тест ложен) и они не зависят от распространённости.

Строка долей является (, PPV, называемой также точностью, дополнение — , , FDR) и (, NPV, дополнение — доля ложных пропусков, , FOR). Они пропорциональны популяции с заданным верным результатом теста (или ложным результатом) и они зависят от распространённости.

В лабораторных тестах основные используемые отношения — столбец истинных долей — доля верноположительных и доля верноотрицательных результатов — где они известны как чувствительность и специфичность. При извлечении информации главными отношениями являются доля верноположительных (строка и столбец) — прогностическая ценность отрицательного результата и доля верноположительных — где они известны как точность и отзыв.

Можно взять отношения дополняющих пар отношений, что даёт четыре (два значения столбца долей, два значения строки долей). Это, в первую очередь, делается для отношений столбцов, что даёт . Взяв отношение в одной из этих групп, получим конечное (, DOR). Это значение можно определить и прямо, как . Это имеет полезную интерпретацию как отношение шансов и не зависит от распространённости.

Существует несколько других метрик, наиболее простая из которых точность или доля правильных (, FC), которая измеряет долю всех случаев, которые были правильно классифицированы. Дополнение до 1 этого значения — доля неправильных (, FiC). F-мера комбинирует точность и отзыв в одном числе посредством выбора веса, в самом простом случае равному весу как в сбалансированной F-мере (F1 мера). Некоторые метрики приходят из коэффициентов регрессии — маркированности и и их среднего геометрического, . Другие метрики включают , , коэффициент Фи и каппу Коэна.

Преобразование непрерывных значений к бинарным Тесты, результаты которых являются непрерывными значениями, как, например, большинство , могут быть искусственно сделаны двоичными путём определения . Результат теста определяется как положительный или отрицательный в зависимости от итогов сравнения результирующего и отсекающего значений.

Однако такое преобразование приводит к потере информации, поскольку результат двоичной классификации не показывает, насколько выше или ниже значения отсечения. При преобразовании непрерывного значения, которое близко к отсекающему значению, получающаяся в результате или в общем случае выше, чем , полученная непосредственно из непрерывного значения. В таких случаях положительный или отрицательный результат теста даёт неприемлемо высокую определённость, в то время как само значение фактически находится в области неопределённости. Например, показатель концентрации хорионического гонадотропина (ХГЧ) в моче имеет непрерывное значение. Тест мочи на беременность с границей отсечения 50 мМЕ/мл при реальной концентрации ХГЧ в значении 52 мМЕ/мл может показывать «положительный результат». С другой стороны, результат теста, далёкий от границы отсечения, обычно имеет положительную или отрицательную прогностическую ценность, меньшую прогностической ценности, полученной от непрерывного значения. Например, значение ХГЧ 200000 мМЕ/мл сообщает об очень высокой степени беременности, но преобразование к двоичным результатам даёт «положительный» результат теста при значении всего лишь 52 мМЕ/мл.

См. также

Теория обнаружения сигнала Ядерный метод

ROC-кривая

, называемый также адекватностью Qualitative property

Примечания

Литература

'

Категория:Статистическая классификация Категория:Машинное обучение