Εναλλακτικές Μέθοδοι και ειδικά θέματα Κατηγοριοποίησης

Abstract

Μια πληθώρα διαφορετικών μεθόδων μπορούν να χρησιμοποιηθούν για κατηγοριοποίηση. Στο κεφάλαιο αυτό ο αναγνώστης βρίσκει μια σύντομη αλλά ταυτόχρονα ουσιαστική περιγραφή αυτών των μεθόδων. Ο φοιτητής θα κατανοήσει τα χαρακτηριστικά τους έτσι ώστε να μπορεί να τις χρησιμοποιήσει στην πράξη, να τις συγκρίνει και τελικά να επιλέξει την πλέον κατάλληλη. Το κεφάλαιο καλύπτει την κατηγοριοποίηση με Νευρωνικά Δίκτυα Multilayer Perceptron, τα Μπαϋεσιανά Δίκτυα, τους κατηγοριοποιητές βασισμένους σε παραδείγματα και τις Μηχανές Διανυσμάτων Υποστήριξης. Για κάθε μια από αυτές τις μεθόδους παρατίθενται τα πλεονεκτήματα και τα μειονεκτήματα τους. Γίνεται αναφορά στους σύνθετους κατηγοριοποιητές (υβριδικούς και συναθροιστικούς). Τέλος καλύπτονται ειδικά προβλήματα κατηγοριοποίησης όπως το πρόβλημα της ανισοκατανομής των κλάσεων και το πρόβλημα του διαφορετικού κόστους σφάλματος. Παρουσιάζονται μέθοδοι για αξιολόγησης κατηγοριοποιητών όπως οι μέθοδοι Holdout, Cross validation και οι καμπύλες ROC.

A wide variety of methods can be used for classification. This chapter provides a concise yet substantive description of these methods. The reader will understand their characteristics to apply them in practice, compare them, and ultimately select the most appropriate approach. The chapter covers classification with Multilayer Perceptron Neural Networks, Bayesian Networks, instance-based classifiers, and Support Vector Machines (SVMs). For each method, the advantages and disadvantages are presented. The chapter also discusses complex classifiers, including hybrid and ensemble approaches. Special classification issues are addressed, such as class imbalance and differential error costs. Methods for evaluating classifiers are presented, including Holdout, Cross-Validation, and ROC curves.