Az osztályozás egy prediktív modellezési módszer, ahol a cél az, hogy az adatok előre definiált kategóriákba kerüljenek.
Az osztályozó modellek például eldöntik, hogy egy e-mail spam vagy nem spam. Több osztályt is kezelhetnek, pl. egy képfelismerő rendszer felismeri, hogy a képen macska, kutya vagy autó látható.
Az egyik leggyakoribb gépi tanulási feladat, amely sok üzleti alkalmazás alapja.
Bankoknál: ügyfél fizetésképes vagy nem fizetésképes. Egészségügyben: betegség diagnosztizálása igen/nem döntéssel.
A célváltozó az a kimenet, amit a modell előre szeretne jelezni.
A döntési fa egy fa alakú modell, amely sorozatos kérdések alapján hoz döntést.
A felügyelt tanulás egy gépi tanulási módszer, ahol az algoritmust olyan adatokkal tanítják, amelyek tartalmazzák a bemeneteket és a hozzájuk tartozó helyes kimeneteket.
A jellemzők azok a változók vagy tulajdonságok, amelyeket a modell a döntések meghozatalához használ.
A k-NN algoritmus az új adatokat azokhoz hasonlítja, amelyekhez legközelebb esnek az adathalmazban.
A logisztikus regresszió egy modell, amely valószínűségeket számít két vagy több kategória közötti besorolásra.
A Random Forest több döntési fát kombináló algoritmus, amely a fák többségi szavazata alapján hoz döntést.
Az SVM egy gépi tanulási algoritmus, amely a különböző kategóriák közötti legjobb elválasztó határt keresi.
