Κατηγοριοποίηση

Abstract

Η Κατηγοριοποίηση αποτελεί μια από τις συνηθέστερες εργασίες που διεξάγονται στα πλαίσια της ΕΔ. Στο κεφάλαιο αυτό ο φοιτητής θα εντρυφήσει στις έννοιες και τεχνικές που σχετίζονται με την Κατηγοριοποίηση. Αναλύονται τα χαρακτηριστικά των δεδομένων που θα χρησιμοποιηθούν και γίνεται σύγκριση μεταξύ Κατηγοριοποίησης και Ανάλυσης Συστάδων, δηλαδή μεταξύ επιβλεπόμενης και μη επιβλεπόμενης μάθησης. Παρουσιάζονται τα στάδια της Κατηγοριοποίησης, δηλαδή η ανάπτυξη των μοντέλων, η επικύρωση τους και η τελική χρήση τους. Γίνεται διάκριση μεταξύ Κατηγοριοποίησης και Παλινδρόμησης. Αναλύεται το φαινόμενο και οι επιπτώσεις της υπερβολικής προσαρμογής στα δεδομένα. Παρουσιάζονται τα κριτήρια για την αποτίμηση των μεθόδων και των μοντέλων Κατηγοριοποίησης. Γίνεται συστηματική αναφορά στα Δένδρα Αποφάσεων και κυρίως στα δένδρα τύπου ID3 και C4.5. Εξηγούνται οι έννοιες της Εντροπίας και του Κέρδους Πληροφορίας. Παρουσιάζονται τα πλεονεκτήματα και μειονεκτήματα των Δένδρων Αποφάσεων

Classification is one of the most common tasks performed in data mining. This chapter introduces students to the concepts and techniques related to classification. It analyzes the characteristics of the data to be used and compares classification with clustering, highlighting the difference between supervised and unsupervised learning. The stages of classification are presented, including model development, validation, and deployment. A distinction is made between classification and regression, and the phenomenon and consequences of overfitting are examined. Criteria for evaluating classification methods and models are discussed. Special attention is given to decision trees, particularly the ID3 and C4.5 algorithms. The chapter explains the concepts of entropy and information gain, and outlines the advantages and disadvantages of decision trees.