La classificazione del data mining è una fase del processo di data mining. Viene utilizzato per raggruppare elementi in base a determinate caratteristiche chiave. Esistono diverse tecniche utilizzate per la classificazione del data mining, inclusa la classificazione del vicino più prossimo, l’apprendimento dell’albero decisionale e le macchine vettoriali di supporto.
Il data mining è un metodo utilizzato dai ricercatori per estrarre modelli dai dati. Generalmente un campione rappresentativo viene scelto dal pool di dati e quindi manipolato e analizzato per trovare modelli. Oltre alla classificazione del data mining, i ricercatori possono anche utilizzare il clustering, la regressione e l’apprendimento delle regole per analizzare i dati.
Esistono diversi algoritmi che possono essere utilizzati nella classificazione del data mining. La classificazione del vicino più vicino è uno degli algoritmi di classificazione del data mining più semplici. Si basa su un set di allenamento. Un training set è un insieme di dati utilizzati per addestrare il computer a prestare attenzione a determinate variabili. Nella classificazione del vicino più prossimo, il computer classifica semplicemente tutti i dati come parte del gruppo che contiene i dati più vicini in valore all’input.
L’apprendimento dell’albero decisionale utilizza un modello di ramificazione per classificare i dati. Il computer fa fondamentalmente una serie di domande sui dati. Se la risposta alla prima domanda è vera, si pone la domanda 2a. Se la risposta è falsa, pone la domanda 2b. Quando viene estratto, questo metodo forma un albero di percorsi ramificati.
La classificazione ingenua di Bayes si basa sulla probabilità. Pone una serie di domande su ciascun dato e quindi utilizza le risposte per determinare la probabilità che i dati appartengano a una particolare classificazione. Questo è diverso dall’apprendimento dell’albero decisionale perché la risposta alla prima domanda non influenza quale domanda verrà posta dopo.
Metodi più complicati di classificazione del data mining includono reti neurali e macchine vettoriali di supporto. Questi metodi sono modelli basati su computer che sarebbero difficili da eseguire a mano. Le reti neurali sono spesso utilizzate nella programmazione dell’intelligenza artificiale perché imita il cervello umano. Filtra le informazioni attraverso una serie di nodi che trovano modelli e quindi classificano le informazioni.
Le macchine vettoriali di supporto utilizzano campioni di addestramento per creare un modello che classifichi le informazioni, di solito visualizzate come un grafico a dispersione con un ampio spazio tra le categorie. Quando nuove informazioni vengono immesse nella macchina, vengono tracciate sul grafico. I dati vengono quindi classificati in base alla categoria a cui si avvicinano maggiormente le informazioni sul grafico. Questo metodo funziona solo quando ci sono due opzioni tra cui scegliere.