Classification is the process of fi

Classification is the process of finding a model (or function) that describes and distin-
guishes data classes or concepts. The model are derived based on the analysis of a set of

training data (i.e., data objects for which the class labels are known). The model is used

to predict the class label of objects for which the the class label is unknown.

“How is the derived model presented?” The derived model may be represented in var-
ious forms, such as classification rules (i.e., IF-THEN rules), decision trees, mathematical

formulae, or neural networks(Figure 1.9). Adecision tree is a flowchart-like tree structure,

where each node denotes a test on an attribute value, each branch represents an outcome

of the test, and tree leaves represent classes or class distributions. Decision trees can easilybe converted to classification rules. Aneural network, when used for classification, is typ-
ically a collection of neuron-like processing units with weighted connections between the

units. There are many other methods for constructing classification models, such as na ̈ıve

Bayesian classification, support vector machines, and k-nearest-neighbor classification.

Whereas classification predicts categorical (discrete, unordered) labels, regression

models continuous-valued functions. That is, regression is used to predict missing or

unavailable numerical data values rather than (discrete) class labels. The term prediction

refers to both numeric prediction and class label prediction. Regression analysis is a

statistical methodology that is most often used for numeric prediction, although other

methods exist as well. Regression also encompasses the identification of distribution

trends based on the available data.

Classification and regression may need to be preceded by relevance analysis, which

attempts to identify attributes that are significantly relevant to the classification and

regression process. Such attributes will be selected for the classification and regression

process. Other attributes, which are irrelevant, can then be excluded from consideration.

Kết quả (Việt) 1:

Phân loại là quá trình của việc tìm kiếm một mô hình (hoặc chức năng) mà mô tả và distin -guishes dữ liệu lớp học hoặc các khái niệm. Các mô hình có nguồn gốc dựa trên phân tích của một tập hợp cácđào tạo dữ liệu (ví dụ, dữ liệu các đối tượng cho mà nhãn lớp được biết đến). Các mô hình được sử dụngđể dự đoán nhãn lớp học của các đối tượng mà các nhãn lớp là không rõ."Làm thế nào mô hình dịch trình bày không?" Các mô hình có nguồn gốc có thể được đại diện trong var-quyết định hình thức ious, chẳng hạn như quy tắc phân loại (ví dụ, nếu sau đó quy), cây, toán họccông thức, hoặc mạng nơ-ron (hình 1.9). Adecision cây là một cấu trúc giống như sơ đồ cây,nơi mà mỗi nút biểu thị một thử nghiệm vào một giá trị thuộc tính, mỗi chi nhánh đại diện cho một kết quảthử nghiệm và lá cây đại diện cho các lớp học hoặc lớp phân phối. Cây quyết định có thể easilybe chuyển đổi sang quy tắc phân loại. Aneural mạng, khi được sử dụng để phân loại, là typ-ically là một tập hợp các tế bào thần kinh như xử lý các đơn vị trọng các kết nối giữa cácCác đơn vị. Có rất nhiều phương pháp khác để xây dựng các mô hình phân loại, chẳng hạn như na ̈ıvePhân loại Bayes, hỗ trợ vector máy và phân loại k gần nhất hàng xóm.Trong khi phân loại dự đoán categorical (rời rạc, có thứ tự) nhãn, hồi quiCác mô hình liên tục-hàm. Đó là, hồi qui được sử dụng để dự đoán thiếu hoặckhông có dữ liệu số giá trị chứ không phải lớp (rời rạc) nhãn. Dự báo hạnđề cập đến số dự đoán và lớp nhãn dự đoán. Phân tích hồi qui là mộtphương pháp thống kê thường xuyên nhất được sử dụng để dự báo số, mặc dù khácphương pháp tồn tại như là tốt. Hồi quy cũng bao gồm việc xác định các phân phốixu hướng dựa trên các dữ liệu có sẵn.Phân loại và hồi qui có thể cần phải được trước bằng cách phân tích mức độ phù hợp, màcố gắng để xác định các thuộc tính có liên quan một cách đáng kể để phân loại vàtrong quá trình hồi quy. Các thuộc tính như vậy sẽ được lựa chọn cho việc phân loại và hồi quiquá trình. Các thuộc tính khác, đó là không thích hợp, sau đó có thể được loại trừ khỏi vòng xem xét.

Kết quả (Việt) 2:

Phân loại là quá trình tìm kiếm một mô hình (hoặc chức năng) mô tả và phân biệt được
guishes dữ liệu các lớp học hoặc các khái niệm. Mô hình này có nguồn gốc dựa trên phân tích của một tập hợp các

dữ liệu huấn luyện (tức là, các đối tượng dữ liệu mà các nhãn lớp được biết). Mô hình này được sử dụng

để dự đoán nhãn lớp của các đối tượng mà các nhãn lớp không biết.

"Làm thế nào là mô hình bắt nguồn giới?" Các mô hình bắt nguồn có thể được đại diện trong var-
hình thức ious, chẳng hạn như quy tắc phân loại (tức là, IF- THEN), cây quyết định, toán học

công thức, hoặc các mạng thần kinh (Hình 1.9). Adecision cây là một cấu trúc cây sơ đồ giống như,

nơi mỗi nút biểu thị một thử nghiệm trên một giá trị thuộc tính, mỗi chi nhánh đại diện cho một kết quả

của thử nghiệm, và lá cây đại diện cho các lớp học hoặc phân lớp. Cây quyết định có thể easilybe chuyển đổi ra quy tắc phân loại. Mạng Aneural, khi được sử dụng để phân loại, là typ-
ically một bộ sưu tập của các đơn vị chế biến tế bào thần kinh giống như với các kết nối trọng giữa các

đơn vị. Có nhiều phương pháp khác để xây dựng các mô hình phân loại, chẳng hạn như na Ive

phân loại Bayesian, hỗ trợ các máy vector, và phân loại k-gần hàng xóm.

Trong khi đó, phân loại dự đoán phân loại (rời rạc, không có thứ tự) nhãn, hồi quy

mô hình chức năng liên tục có giá trị. Đó là, hồi quy được sử dụng để dự đoán thiếu hoặc

không có sẵn số giá trị dữ liệu chứ không phải là nhãn (rời rạc) lớp. Dự đoán hạn

đề cập đến cả hai dự đoán số và dự đoán nhãn lớp. Phân tích hồi quy là một

phương pháp thống kê được sử dụng nhiều nhất để dự đoán số, mặc dù khác

phương pháp tồn tại. Regression cũng bao gồm việc xác định các phân phối

xu hướng dựa trên các dữ liệu có sẵn.

Phân loại và hồi quy có thể cần phải được đi trước bằng cách phân tích liên quan, mà

cố gắng để xác định thuộc tính có liên quan đáng kể đến việc phân loại và

hồi quy trình. Thuộc tính này sẽ được lựa chọn để phân loại và hồi quy

trình. Các thuộc tính khác, mà là không thích hợp, sau đó có thể được loại trừ khỏi xem xét.