分類器がデータを誤って分類するのはなぜですか？[閉まっている]

データ自体からのものでしょうか？それとも、モデルがデータ間の類似性を効率的に検出できないためですか、それとも誤分類の原因は他にありますか？

トレーニングデータの誤分類について話しているとしましょう。つまり、トレーニングデータセットの損失を最小限に抑えることは困難で、テストデータの過剰適合問題はありません。

ほとんどの場合、誤分類は「モデルが単純すぎる」または「データがノイズが多すぎる」から生じる可能性があることは正しいです。さらに説明するために、2つの例を示します。

1. モデルは「単純すぎる」ため、「データ内のパターン」をキャプチャできません。

   • 左図に例を示します。2つのクラスを分離するためにロジスティック回帰/ラインを使用したいとしますが、2つのクラスは線形分離可能ではありません。

   • この場合、「データに注目すべきパターン」がまだあり、モデルを変更すると、改善される可能性があります。たとえば、ロジスティック回帰の代わりにKNN分類器を使用すると、非常に優れたパフォーマンスが得られます。

2. データにノイズが多すぎるため、分類タスクを実行するのが非常に困難です。

   • $0.01\times 2$$1.0$

データと分類子を視覚化できるため、2つの例は取るに足らないものであることに注意してください。現実の世界では、何百万ものデータポイントと非常に複雑な分類子がある場合は当てはまりません。

コード：

library(mlbench)
set.seed(0)
par(mfrow=c(1,2))
d=mlbench.spirals(500)
plot(d)
lg_fit=glm(d$classes~d$x[,1]+d$x[,2]-1,family=binomial())
abline(0,-lg_fit$coefficients[1]/lg_fit$coefficients[2])

d2=mlbench.2dnormals(500,r=0.01)
plot(d2)

@ hxd1011（+1）に加えて。

1. 相対条件または絶対条件でのクラスの不均衡。どちらの場合も、関心のあるクラスの不十分な表現を作成します。通常、後者は克服するのがより困難です。（参考例：HeとGarciaによる不均衡データからの学習）
2. 不適切な分類基準。不適切な評価関数を使用して分類子をトレーニングするか、不適切な基準を使用して最終的なソリューションを導き出します。「缶詰ソリューション」を使用する際の非常に一般的な問題。（参考例：ハレルによる分類精度とその他の不連続な不正確な精度スコアリングルールによる損傷）
3. 実際にはクラスはありません。そこに何かがあるといいのですが、実際には何もありません。通常、ドメインの専門知識は人々をこれから遠ざけますが、新参者としてこれは常に問題です。（参考例：私たちの日常生活。出版バイアスはおそらくここでも問題です...）
4. オーバーフィッティング。適切なモデルと適切なデータセットがありますが、非現実的なモデルの適切な構築をトレーニングできません。通常、これはポイント2に関連します（アンダーフィットの追加ポイント！）（参照例：Hawkingsによるオーバーフィットの問題）
5. コンセプトドリフト。物事は変化し、私たちは再訓練しません。（例：参照...ええ、7月にこのモデルを使用すると、おそらく痛みになります-私たちの分類器は、当社の「クリスマスの販売」のサンプルをマーケティングの優れた性能を持っているコンセプトドリフト適応にA調査・ガマらによる。）
6. データ漏洩/マジック機能。予測時に入手できない情報からトレーニングします。データのようなイベント/時系列がある場合に一般的です。（参考例：データマイニングの漏洩： Kaufman et alによる公式化、検出、および回避）