Klassifizierung

Quelle: Wikipedia. Seiten: 61. Kapitel: Taxonomie, Klassifikation, Mustererkennung, Beurteilung eines Klassifikators, Dokumenttypdefinition, Clusteranalyse, Hierarchische Clusteranalyse, Support Vector Machine, Musteranalyse, K-Means-Algorithmus, Boosting, BMEcat, Bayes-Klassifikator, Spezialisierung, Maschinelles Lernen, Nummerung, Ugly-Duckling-Theorem, Familienähnlichkeit, Receiver Operating Characteristic, Katalogmanagement, Klassifikationsverfahren, Random Forest, Fisher¿sche Diskriminanzfunktion, Sachmerkmal-Leiste, Automatische Klassifizierung, Latente Klassenanalyse, Shogun, Facettenklassifikation, Waikato Environment for Knowledge Analysis, Fuzzy C-Means, Farbsortierer, Merkmalsvektor, Rasteranalyse, Nächste-Nachbarn-Klassifikation, Sortierung, Jenks-Caspall-Algorithmus, Polyhierarchie, Intravarianz, Polynomklassifikator, Abstandsklassifikator, Biotypologie, Residualkategorie, Kostenmatrix, Affinitätsdiagramm, Quader-Klassifikator, Fuzzy-Klassifikator. Auszug: Bei einer Klassifizierung werden Objekte anhand von bestimmten Merkmalen durch einen Klassifikator in verschiedene Klassen eingeordnet. Der Klassifikator macht dabei im Allgemeinen Fehler, ordnet also in manchen Fällen ein Objekt einer falschen Klasse zu. Aus der relativen Häufigkeit dieser Fehler lassen sich quantitative Maße zur Beurteilung eines Klassifikators ableiten. Häufig ist die Klassifikation binärer Natur, d. h. es gibt nur zwei mögliche Klassen. Die hier diskutierten Gütemaße beziehen sich ausschließlich auf diesen Fall. Solche binäre Klassifikationen werden häufig in Form einer Ja/Nein-Frage formuliert: Leidet ein Patient an einer bestimmten Krankheit oder nicht? Ist ein Feuer ausgebrochen oder nicht? Nähert sich ein feindliches Flugzeug oder nicht? Bei Klassifikationen dieser Art gibt es zwei mögliche Arten von Fehlern: Ein Objekt wird der ersten Klasse zugeordnet, obwohl es der zweiten angehört, oder umgekehrt. Die hier beschriebenen Kennwerte bieten dann eine Möglichkeit, die Zuverlässigkeit des zugehörigen Klassifikators (Diagnoseverfahren, Feuermelder, Fliegerradar) zu beurteilen. Ja-Nein-Klassifikationen weisen Ähnlichkeiten zu statistischen Tests auf, bei denen zwischen einer Nullhypothese und einer Alternativhypothese entschieden wird. Ein Test soll kranke und gesunde Menschen voneinander unterscheiden. Jeder Mensch wird durch einen Punkt dargestellt, der links (krank) bzw. rechts (gesund) der schwarzen Linie liegt. Die Punkte im Oval sind die von dem Test als krank klassifizierten Menschen. Die Farben entsprechen den vier Fällen, die bei dieser Klassifikation auftreten können.Um einen Klassifikator zu bewerten, muss man ihn in einer Reihe von Fällen anwenden, bei denen man zumindest im Nachhinein Kenntnis über die ¿wahre¿ Klasse der jeweiligen Objekte hat. Ein Beispiel für so einen Fall ist ein medizinischer Labortest, mit dem festgestellt werden soll, ob eine Person eine bestimmte Krankheit hat. Später wird durch aufwändigere Untersuchungen fe