ক্লাসিফিকেশন একটি ডেটা-মাইনিং পদ্ধতি যা ডেটার একটি সেটে এলিমেন্টগুলোকে অ্যাসাইন করে আরও দক্ষ প্রিডিকশন এবং অ্যানালিসিসে সহায়তা করার জন্য। ক্লাসিফিকেশন সাধারণত তখন ব্যবহৃত হয় যখন দুটি টার্গেট ক্লাস থাকে যাকে বাইনারি ক্লাসিফিকেশন বলা হয়।
যখন দুইটির বেশি ক্লাস প্রিডিক্ট করা যায়, বিশেষ করে প্যাটার্ন রিকগনিশন সমস্যায়, এটিকে মাল্টিনোমিয়াল ক্লাসিফিকেশন বলা হয়। যাইহোক, মাল্টিনোমিয়াল ক্লাসিফিকেশন ক্যাটাগরিক্যাল রেসপন্স ডেটার জন্য ব্যবহার করা যেতে পারে, যেখানে কতগুলো ক্যাটাগরির মধ্যে কোনটি সবচেয়ে বেশি সম্ভাবনা সহ ইনস্ট্যান্স রয়েছে তা প্রিডিক্ট করতে হয়।
ডেটা ক্লাসিফিকেশন হল একটি টু-স্টেপ ফেজ। প্রথম ফেজে, একটি ক্লাসিফায়ার তৈরি করা হয় পূর্বনির্ধারিত ডেটা ক্লাস বা কনসেপ্টের একটি সেট সংজ্ঞায়িত করে। এটি হল লার্নিং ফেজ (অথবা ট্রেনিং ফেজ), যেখানে একটি ক্লাসিফিকেশন অ্যালগরিদম ক্লাসিফায়ার ডেভেলপ করে ট্রেনিং সেট বিশ্লেষণ করে বা "শেখে" যা ডাটাবেস টাপলস এবং তাদের সংশ্লিষ্ট ক্লাস লেবেল নিয়ে গঠিত।
একটি টাপলস, X, একটি n-ডাইমেনশনাল অ্যাট্রিবিউট ভেক্টর দ্বারা বর্ণিত, X = (x₁, x₂, … xₙ), যা n ডাটাবেস অ্যাট্রিবিউট, A₁,A₂,... Aₙ-এ টাপলস থেকে তৈরি n মেজারমেন্ট সংজ্ঞায়িত করে।
প্রতিটি টাপলস, X, একটি প্রিডিফাইনড ক্লাসের অন্তর্গত বলে বিবেচিত হয় যা একটি অন্য ডাটাবেস অ্যাট্রিবিউট যাকে ক্লাস লেবেল অ্যাট্রিবিউট বলা হয় দ্বারা নির্ধারিত। ক্লাস লেবেল অ্যাট্রিবিউটটি ডিসক্রিট-ভ্যালুড এবং আনঅর্ডার্ড। এটি ক্যাটাগরিক্যাল কারণ প্রতিটি ভ্যালু একটি ক্যাটাগরি বা ক্লাস হিসেবে কাজ করে।
ট্রেনিং সেট তৈরি করে একক টাপলসগুলোকে ট্রেনিং টাপলস বলা হয় এবং বিশ্লেষণাধীন ডাটাবেস থেকে নির্বাচিত হয়। ক্লাসিফিকেশনের কনটেক্সটে, ডেটা টাপলসকে স্যাম্পলস, ইনস্ট্যান্সেস, ডেটা পয়েন্টস, বা অবজেক্টস হিসেবে সংজ্ঞায়িত করা যায়।
যেহেতু প্রতিটি ট্রেনিং টাপলসের ক্লাস লেবেল প্রদান করা থাকে, এই ধাপকে সুপারভাইজড লার্নিং বলা হয়। এটি আনসুপারভাইজড লার্নিং (অথবা ক্লাস্টারিং) এর সাথে তুলনা করা যায়, যেখানে প্রতিটি ট্রেনিং টাপলসের ক্লাস লেবেল পরিচিত নয়, এবং ক্লাসের সংখ্যা বা সেট যা শেখা হবে সেটি আগে থেকে জানা থাকে না।
দ্বিতীয় ফেজে, মডেলটি ক্লাসিফিকেশনের জন্য ব্যবহার করা যেতে পারে। প্রথমে, ক্লাসিফায়ারের প্রিডিক্টিভ অ্যাকিউরেসি প্রিডিক্ট করা হয়। যদি ট্রেনিং সেট ব্যবহার করে ক্লাসিফায়ারের অ্যাকিউরেসি ক্যালকুলেট করা যায়, এই অনুমান অপটিমিস্টিক হতে পারে, কারণ ক্লাসিফায়ার রেকর্ডসকে ওভারফিট করতেentry_data (অর্থাৎ, শেখার সময় এটি ট্রেনিং রেকর্ডসের কিছু নির্দিষ্ট অ্যানোমালি অন্তর্ভুক্ত করতে পারে যা সাধারণ ডেটা সেটে উপস্থিত নেই)।
অতএব, একটি টেস্ট সেট ব্যবহার করা হয়, যা টেস্ট টাপলস এবং তাদের সংশ্লিষ্ট ক্লাস লেবেল নিয়ে গঠিত। এই টাপলসগুলো সাধারণ ডেটা সেট থেকে র্যান্ডমলি নির্বাচিত হয়। সেগুলো ট্রেনিং টাপলস থেকে স্বতন্ত্র, অর্থাৎ সেগুলো ক্লাসিফায়ার बनाने জন্য ব্যবহার করা হয়নি।
