- Các sinh vật được nhóm lại theo một loạt các đơn vị phân loại có thứ bậc – càng có nhiều đơn vị phân loại thì chúng càng giống nhau
- Các đơn vị phân loại được sử dụng là giới, ngành, lớp, bộ, họ, chi và loài [chi + loài = tên khoa học]
Hệ thống phân cấp của Taxa
Ứng dụng
• Việc phân loại một loài thực vật và một loài động vật từ cấp độ loài đến cấp độ loài
Tất cả các loài thực vật và động vật đều thuộc về cùng một miền [Eukarya] vì chúng được cấu tạo từ các tế bào nhân chuẩn
- Ngoài điểm này, thực vật và động vật khác nhau về phân loại vì chúng thuộc về các vương quốc khác nhau [Plantae vs Animalia]
Mục đích của nghiên cứu này là tập hợp 7 loại thuật toán phân loại phổ biến nhất cùng với mã python. Hồi quy logistic, Naïve Bayes, Giảm dần độ dốc ngẫu nhiên, K-Láng giềng gần nhất, Cây quyết định, Rừng ngẫu nhiên và Máy vectơ hỗ trợ
1. Giới thiệu
1. 1 Phân loại dữ liệu có cấu trúc
Phân loại có thể được thực hiện trên dữ liệu có cấu trúc hoặc phi cấu trúc. Phân loại là một kỹ thuật trong đó chúng tôi phân loại dữ liệu thành một số lớp nhất định. Mục tiêu chính của bài toán phân loại là xác định danh mục/lớp mà dữ liệu mới sẽ thuộc
Rất ít thuật ngữ gặp phải trong học máy – phân loại
TUYỆT VỜI
Đăng ký hàng tuần của bạn về những gì đang xảy ra trong công nghệ mới nổi
E-mail
Đăng ký
- phân loại. Một thuật toán ánh xạ dữ liệu đầu vào vào một danh mục cụ thể
- mô hình phân loại. Một mô hình phân loại cố gắng rút ra một số kết luận từ các giá trị đầu vào được cung cấp cho đào tạo. Nó sẽ dự đoán các nhãn/danh mục lớp cho dữ liệu mới
- Đặc tính. Một tính năng là một thuộc tính có thể đo lường riêng lẻ của một hiện tượng được quan sát
- Phân loại nhị phân. Nhiệm vụ phân loại với hai kết quả có thể xảy ra. Ví dụ. Phân loại giới tính [Nam/Nữ]
- Phân loại nhiều lớp. Phân loại có nhiều hơn hai lớp. Trong phân loại nhiều lớp, mỗi mẫu được gán cho một và chỉ một nhãn mục tiêu. Ví dụ. Một con vật có thể là mèo hoặc chó nhưng không phải cả hai cùng một lúc
- Phân loại đa nhãn. Nhiệm vụ phân loại trong đó mỗi mẫu được ánh xạ tới một tập hợp các nhãn đích [nhiều hơn một lớp]. Ví dụ. Một bài báo có thể đồng thời là về thể thao, con người và địa điểm
Sau đây là các bước liên quan đến việc xây dựng mô hình phân loại
- Khởi tạo bộ phân loại sẽ được sử dụng
- Huấn luyện bộ phân loại. Tất cả các trình phân loại trong scikit-learning sử dụng phương thức fit[X, y] để khớp với mô hình [đào tạo] cho dữ liệu đào tạo đã cho X và nhãn đào tạo y
- Dự đoán mục tiêu. Đưa ra một quan sát không được gắn nhãn X, dự đoán [X] trả về nhãn dự đoán y
- Đánh giá mô hình phân loại
1. 2 Nguồn dữ liệu và nội dung
Bộ dữ liệu chứa tiền lương. Sau đây là mô tả về tập dữ liệu của chúng tôi
Tải xuống ứng dụng di động của chúng tôi
- của các lớp học. 2 [‘>50K’ và ‘