Clasificaci�n estad�stica

Ir a la navegaci�nIr a la b�squeda
En aprendizaje autom�tico y estad�stica, la clasificaci�n es el problema de
identificar a cu�l de un conjunto de categor�as (subpoblaciones) pertenece una
nueva observaci�n, sobre la base de un conjunto de datos de formaci�n que contiene
observaciones (o instancias) cuya categor�a de miembros es conocida. Un ejemplo
ser�a asignar a un correo electr�nico dado la clasificaci�n de "spam" o "no spam",
o asignar un diagn�stico a un paciente dado seg�n las caracter�sticas observadas
del paciente (g�nero, presi�n arterial, presencia o ausencia de ciertos s�ntomas,
etc.). La clasificaci�n es un ejemplo reconocimiento de patrones.

En la terminolog�a de aprendizaje autom�tico, la clasificaci�n est� considerada

como un caso de aprendizaje supervisado, es decir, un aprendizaje en el que se
dispone de un conjunto de observaciones correctamente identificadas.1? El
procedimiento no supervisado se conoce como clustering, e implica agrupar los datos
e categor�as basadas en alguna medida de similitud o distancia inherente.

A menudo, las observaciones individuales se analizan en un conjunto de propiedades

cuantificables, conocidas como variables explicativas o caracter�sticas. Estas
propiedades pueden ser categ�rica(por ejemplo,"A","B","AB" u "O", para el grupo
sangu�neo), ordinales (por ejemplo,"grande","mediano" o "peque�o"), de n�mero
entero (por ejemplo, el n�mero de ocurrencias de una palabra en particular en un
mensaje de correo electr�nico) de n�mero real (por ejemplo, una medici�n de la
presi�n arterial). Otros clasificadores trabajan comparando observaciones contra
observaciones anteriores mediante la funci�n de similitud o de distancia.

Un algoritmo que implementa la clasificaci�n, especialmente en una implementaci�n

concreta, se conoce como un clasificador. El t�rmino "clasificador" algunas veces
refiere a la funci�n matem�tica, implementada por un algoritmo de clasificaci�n,
que mapea los datos de entrada a una categor�a.

La terminolog�a a trav�s de los diferentes campos es muy variada. En estad�stica,

cuando la clasificaci�n se hace a menudo con regresi�n log�stica o con un
procedimiento similar, las propiedades de las observaciones se denominan variables
explicativas (o variables independientes, regriones, etc.), y las categor�as a
predecir se conocen como clases, que se consideran posibles valores de la variable
dependiente. En el aprendizaje autom�tico, las observaciones se conocen a menudo
como instancias, las variables explicativas se denominan caracter�sticas (agrupadas
en un vector de caracter�sticas) y las posibles categor�as a predecir son clases.
Otros campos pueden utilizar terminolog�as diferentes: por ejemplo, en ecolog�a de
comunidades, el t�rmino "clasificaci�n" se refiere normalmente al an�lisis de
grupos, es decir, a un tipo de aprendizaje no supervisado, en lugar del aprendizaje
supervisado descrito en este art�culo.

�ndice
1 �mbitos de aplicaci�n
2 Ve tambi�n
3 Referencias
4 Enlaces externos
�mbitos de aplicaci�n
La clasificaci�n tiene muchas aplicaciones. En algunos de estos est� empleado como
procedimiento de miner�a de datos, mientras que en otros se lleva a cabo un
modelado estad�stico m�s detallado.

Visi�n de ordenador
Imagen m�dica y an�lisis de imagen m�dica
Reconocimiento �ptico de caracteres
Seguimiento de objetos
Descubrimiento de f�rmacos y desarrollo
Toxicogen�mica
Estructura cuantitativa y estructura actividad
Geoestad�stica
Reconocimiento del habla
Reconocimiento de escritura a mano
Biometr�a
Taxinom�a
Procesamiento de lengua natural estad�stico
Clasificaci�n de documentos
Motores de b�squeda de internet
El cr�dito que punt�a
Reconocimiento de patrones
Micro-Clasificaci�n de variedad
Ve tambi�n
Inteligencia artificial
Clasificaci�n binaria
Probabilidades de afiliaci�n de la clase
Regla de clasificaci�n
Procesamiento de plazo compuesto
Miner�a de datos
Almac�n de datos
L�gica difusa
B�squeda y recuperaci�n de informaci�n
Lista de datasets para b�squeda de aprendizaje de la m�quina
Aprendizaje autom�tico
Sistema de recomendaci�n
Referencias
Alpaydin, Ethem (2010). Introduction to Machine Learning. MIT Press. p. 9. ISBN
978-0-262-01243-0.
Enlaces externos
Clasificaci�n de COLEGA Suite escrito en Java.
kNN Y energ�a Potencial (Applet), Universidad de Leicester
scikit-Aprender un paquete ampliamente utilizado en python
Weka Un paquete basado en java con una variedad extensa de algoritmos.
Categor�as: Algoritmos de clasificaci�nAprendizaje autom�tico