İstatistiki sınıflandırma

Makine öğrenmesi ve veri madenciliği
Problemler Sınıflandırma Kümeleme Regresyon Anomali tespiti Association rules Pekiştirmeli öğrenme Yapılandırılmış tahmin Öznitelik mühendisliği Öznitelik öğrenmesi Öznitelik çıkarımı Online öğrenme Yarı-gözetimli öğrenme Gözetimsiz öğrenme Sıralama öğrenme Gramer Tümevarımı
Gözetimli öğrenme Karar ağacı Birlik öğrenmesi k-YK Doğrusal regresyon Naive Bayes Sinir ağları Lojistik regresyon Relevance vector machine (RVM) Support vector machine (SVM) Rastgele orman
Kümeleme BIRCH Hiyerarşik k-means Beklenti maksimizasyon DBSCAN OPTICS Mean-shift
Boyut indirgeme Faktör analizi CCA ICA LDA NMF PCA t-SNE
Yapılandırılmış tahmin Grafiksel modeller (Bayes ağları, CRF, HMM)
Anomali tespiti k-NN Local outlier factor
Sinir ağları Perseptron Otokodlayıcı Derin öğrenme RNN LSTM Kısıtlı Boltzmann makinesi SOM Kıvrımlı sinir ağları
Pekiştirmeli öğrenme Q-Learning SARSA Temporal Difference (TD)
Teori Bias-variance ikilemi Hesaplamalı öğrenme teorisi Empirik risk minimizasyonu Occam learning PAC learning İstatistiki öğrenme teorisi VC theory
Konferanslar ve dergiler NIPS ICML ML JMLR ArXiv:cs.LG
g t d

Makine öğrenmesi ve istatistik alanlarında, sınıflandırma problemi, yeni bir gözlemin bir kategori kümesinden hangisine ait olduğunu, temel gözlemlerden ve bilinen kategorilerinden oluşan bir çalıştırma seti kullanarak bulunması şeklindedir. veri içeren gözlemler (veya örnekleri) olan kategori üyeliği olduğu biliniyor. Buna örnek olarak, e-postaların gerekli ya da gereksiz olarak sınıflandırılması veya bir hastalık teşhisinin hastanın gözlemlenen karakteristiklerinden (cinsiyet, kan basıncı, çeşitli semptomların varlığı gibi) yararlanılarak bulunması verilebilir. Sınıflandırma, örüntü tanımaya örnek teşkil eder.