Clasificación binaria

La clasificación binaria consiste en colocar elementos en una de dos categorías (cada una llamada clase ). Por lo tanto, es la forma más simple de la tarea general de clasificación en cualquier número de clases. Algunos problemas típicos de clasificación binaria incluyen:

• Pruebas médicas para determinar si un paciente padece o no cierta enfermedad;
• Control de calidad en la industria, que consiste en decidir si se ha cumplido una especificación;
• En la recuperación de información , decidir si una página debe estar en el conjunto de resultados de una búsqueda o no.
• En administración , decidir si a alguien se le debe expedir una licencia de conducir o no.
• En cognición , decidir si un objeto es alimento o no.

Una técnica estadística común para efectuar la clasificación es la regresión binaria .

Al medir la precisión de un clasificador binario, la forma más sencilla es contar los errores. Sin embargo, en la práctica, a menudo una de las dos clases es más importante, por lo que interesa el número de errores de ambos tipos . Por ejemplo, en las pruebas médicas, detectar una enfermedad cuando no está presente (un falso positivo ) se considera diferente a no detectarla cuando sí lo está (un falso negativo ).

Dada una clasificación de un conjunto de datos específico, existen cuatro combinaciones básicas de categoría de datos real y categoría asignada: verdaderos positivos TP (asignaciones positivas correctas), verdaderos negativos TN (asignaciones negativas correctas), falsos positivos FP (asignaciones positivas incorrectas) y falsos negativos FN (asignaciones negativas incorrectas).

Estos datos se pueden organizar en una tabla de contingencia de 2×2 , donde las filas corresponden al valor real (condición positiva o condición negativa) y las columnas al valor de clasificación (resultado de la prueba positivo o resultado de la prueba negativo).

A partir del análisis de los cuatro resultados básicos, existen diversos enfoques para medir la precisión de un clasificador o predictor. Cada campo tiene sus propias preferencias.

La clasificación estadística es un problema estudiado en el aprendizaje automático en el que la clasificación se realiza a partir de una regla de clasificación . Es un tipo de aprendizaje supervisado , un método de aprendizaje automático donde las categorías están predefinidas, y se utiliza para categorizar nuevas observaciones probabilísticas en dichas categorías. Cuando solo hay dos categorías, el problema se conoce como clasificación binaria estadística.

Algunos de los métodos comúnmente utilizados para la clasificación binaria son:

• Árboles de decisión
• bosques aleatorios
• redes bayesianas
• Máquinas de vectores de soporte
• Redes neuronales
• Regresión logística
• Modelo Probit
• Programación genética
• Programación de expresiones múltiples
• Programación genética lineal

Cada clasificador es óptimo solo en un dominio específico, según el número de observaciones, la dimensionalidad del vector de características , el ruido en los datos y muchos otros factores. Por ejemplo, los bosques aleatorios tienen un mejor rendimiento que los clasificadores SVM para nubes de puntos 3D. ^{[ 2 ] [ 3 ]}

La clasificación binaria puede ser una forma de dicotomización en la que una función continua se transforma en una variable binaria. Las pruebas cuyos resultados son valores continuos, como la mayoría de los valores sanguíneos , pueden convertirse artificialmente en binarias definiendo un valor de corte , de modo que los resultados de la prueba se designan como positivos o negativos según si el valor resultante es mayor o menor que dicho valor de corte.

Sin embargo, dicha conversión conlleva una pérdida de información, ya que la clasificación binaria resultante no indica cuánto por encima o por debajo del valor de corte se encuentra un valor. En consecuencia, al convertir un valor continuo cercano al valor de corte a uno binario, el valor predictivo positivo o negativo resultante suele ser mayor que el valor predictivo derivado directamente del valor continuo. En estos casos, la designación de la prueba como positiva o negativa da la apariencia de una certeza inapropiadamente alta, cuando en realidad el valor se encuentra en un intervalo de incertidumbre. Por ejemplo, con la concentración de hCG en orina como valor continuo, una prueba de embarazo en orina que midió 52 mUI/ml de hCG puede mostrarse como "positiva" con un valor de corte de 50 mUI/ml, pero en realidad se encuentra en un intervalo de incertidumbre, que solo puede ser evidente conociendo el valor continuo original. Por otro lado, un resultado de la prueba muy alejado del valor de corte generalmente tiene un valor predictivo positivo o negativo resultante menor que el valor predictivo derivado del valor continuo. Por ejemplo, un valor de hCG en orina de 200.000 mIU/ml confiere una probabilidad muy alta de embarazo, pero al convertirlo a valores binarios, se muestra igual de "positivo" que uno de 52 mIU/ml.

• Filtro de consulta de membresía aproximada
• Ejemplos de inferencia bayesiana
• Regla de clasificación
• Matriz de confusión
• Teoría de la detección
• Métodos de núcleo
• Clasificación multiclase
• Clasificación multietiqueta
• Clasificación de una sola clase
• La falacia del fiscal
• curva ROC
• Umbralización (procesamiento de imágenes)
• Coeficiente de incertidumbre , también conocido como competencia
• Propiedad cualitativa
• Precisión y exhaustividad (esquema de clasificación equivalente)

• Nello Cristianini y John Shawe-Taylor . Introducción a las máquinas de vectores de soporte y otros métodos de aprendizaje basados ​​en núcleos . Cambridge University Press, 2000. ISBN 0-521-78019-5(Libro de SVM)
• John Shawe-Taylor y Nello Cristianini. Métodos de núcleo para el análisis de patrones . Cambridge University Press, 2004. ISBN 0-521-81397-2( Sitio web del libro )
• Bernhard Schölkopf y AJ Smola: Aprendizaje con núcleos . MIT Press, Cambridge, Massachusetts, 2002. ISBN 0-262-19475-9