ক্লাসিফিকেশন (Classification) হল একটি মডেল আবিষ্কার করার প্রক্রিয়া যা ডেটা ক্লাস বা কনসেপ্ট বর্ণনা ও শ্রেণীবদ্ধ করে। মডেলগুলো একটি ট্রেনিং ডেটা সেট (অর্থাৎ সেই ডেটা অবজেক্ট যাদের ক্লাস লেবেল পরিচিত) এর সার্চের ওপর ভিত্তি করে তৈরি হয়। মডেল उन অবজেক্টের ক্লাস লেবেল প্রেডিক্ট করতে পারে যাদের ক্লাস লেবেল অজানা।
মডেল উপস্থাপনার রূপ
প্রাপ্ত মডেলকে নিম্নলিখিত রূপে উপস্থাপিত করা যায়:
- ক্লাসিফিকেশন রুল (Classification rules): IF-THEN রুল
- ডিসিশন ট্রি (Decision trees): ফ্লোচার্ট-সদৃশ ট্রি কাঠামো, যেখানে প্রতিটি নোড একটি অ্যাট্রিবিউট ভ্যালু ওপর টেস্ট নির্দেশ করে, প্রতিটি ব্রাঞ্চ টেস্টের ফলাফল বর্ণনা করে, এবং ট্রি লিফ ক্লাস বা ক্লাস ডিস্ট্রিবিউশন বর্ণনা করে।
- নিউমেরিক্যাল ফর্মুলা (Numerical formulae)
- নিউরাল নেটওয়ার্ক (Neural networks): ক্লাসিফিকেশনের জন্য ব্যবহৃত হলে, সাধারণত নিউরন-সদৃশ প্রসেসিং ইউনিটের একটি সেট যাদের মধ্যে ওজনযুক্ত সংযোগ থাকে।
ডিসিশন ট্রিকে ক্লাসিফিকেশন রুলে রূপান্তর করা যায়। ক্লাসিফিকেশন মডেল তৈরির বেশ কিছু পদ্ধতি রয়েছে, যেমন নেইভ বেসিয়ান ক্লাসিফিকেশন, সাপোর্ট ভেক্টর মেশিন, এবং k-নিয়ারেস্ট-নেইবর ক্লাসিফিকেশন।
ক্লাসিফিকেশন vs রিগ্রেশন
ক্লাসিফিকেশন ক্যাটেগরিক্যাল (ডিসক্রিট, অর্ডারহীন) লেবেল প্রেডিক্ট করে, রিগ্রেশন (Regression) কন্টিনিউয়াস-ভ্যালুড ফাংশন মডেল করে। রিগ্রেশন অনুপলব্ধ বা মিসিং স্ট্যাটিস্টিক্যাল ডেটা ভ্যালু প্রেডিক্ট করে ক্লাস লেবেলের বদলে।
প্রেডিকশন (Prediction) সংখ্যাসূচক প্রেডিকশন এবং ক্লাস লেবেল প্রেডিকশন উভয়কে সমেটে। রিগ্রেশন অ্যানালাইসিস (Regression analysis) হল একটি পরিসংখ্যানিক পদ্ধতি যেটি সংখ্যাসূচক প্রেডিকশনের জন্য ব্যবহৃত হয়, যদিও অন্যান্য কৌশলও আছে। রিগ্রেশন উপলব্ধ ডেটার ওপর ভিত্তি করে ডিস্ট্রিবিউশন ট্রেন্ড শনাক্তকরণও করা থাকে।
রিলেভেন্স অ্যানালাইসিস (Relevance Analysis)
ক্লাসিফিকেশন এবং রিগ্রেশনকে প্রাসঙ্গিকতা বিশ্লেষণ (relevance analysis) দ্বারা পূর্ববর্তী করা উচিত, যা ক্লাসিফিকেশন এবং রিগ্রেশন প্রসেসের জন্য উল্লেখযোগ্যভাবে প্রাসঙ্গিক অ্যাট্রিবিউট শনাক্ত করার চেষ্টা করে। ilyen অ্যাট্রিবিউট ক্লাসিফিকেশন এবং রিগ্রেশন প্রসেসের জন্য নির্বাচিত হবে। একাধিক অপ্রাসঙ্গিক অ্যাট্রিবিউট বিবেচনা থেকে বাদ দেওয়া যায়।
উদাহরণ: সেলস ক্যাম্পেইন অ্যানালাইসিস
AllElectronics-এর সেলস ম্যানেজার হিসেবে, স্টোরের বড় আইটেম সেটকে তিনটি রেসপন্স টাইপ অনুযায়ী ক্লাসিফাই করা দরকার: ভালো প্রতিক্রিয়া (good response), মাইল্ড প্রতিক্রিয়া (mild response), এবং কোনো প্রতিক্রিয়া নেই (no response)।
আইটেমের বর্ণনামূলক ফিচার (প্রাইস, ব্র্যান্ড, তৈরি হওয়ার স্থান, টাইপ, ক্যাটেগরি) ব্যবহার করে এই তিনটি ক্লাসের প্রতিটির জন্য একটি মডেল তৈরি করা যায়। ফলস্বরূপ ক্লাসিফিকেশন প্রতিটি ক্লাসকে অন্যদের থেকে সর্বোচ্চ আলাদা করবে, ডেটাসেটের একটি সुसংগঠিত চিত্র উপস্থাপন করবে।
ডিসিশন ট্রি প্রাইস (price)-কে তিনটি ক্লাস ভিন্ন করার একমাত্র ফ্যাক্টর হিসেবে শনাক্ত করতে পারে। ট্রি প্রকাশ করতে পারে যে প্রাইসের বাইরে, অন্যান্য ফিচার যেগুলো প্রতিটি ক্লাসের অবজেক্টকে একে অপরের থেকে আরও ভিন্ন করতে সাহায্য করে সেগুলো হল ব্র্যান্ড এবং তৈরি হওয়ার স্থান। এমন একটি ডিসিশন ট্রি দেওয়া সেলস ক্যাম্পেইন-এর প্রভাব শিখতে এবং ভবিষ্যতে আরও কার্যকর ক্যাম্পেইন ডিজাইন করতে সক্ষম করে।
