#noindex
Sub:
[[분류정리,classification_theorem]] - [[정리,theorem]] - [[수학,math]]얘기
 WpEn:Classification_theorem
[[통계적분류,statistical_classification]] - writing  - [[통계,statistics]]적
 WpEn:Statistical_classification

Sim:
[[범주,category]]

<<tableofcontents>>

= Cmp clustering =
not sure chk:
||                                          ||tag/label/class/category ...가(즉 그 집합이) ||[[문서,document]]에 대해  ||
||'''분류 classification'''                 ||미리 정해져 있음?                            ||Ggl:"문서 분류" : kNN, NB, SVM, random_forest 등 ||
||무리짓기? 덩이짓기? ?? 클러스터링 .... [[clustering]]  ||미리 정해져 있지 않음?          ||Ggl:"문서 클러스터링" : k-Means, DBSCAN          ||

[[clustering]] =,clustering {

}


Naver:"분류+클러스터링+차이"
Naver:"분류+클러스터링+비교"
Ggl:"분류+클러스터링+차이+비교"
Ggl:"classification+vs+clustering"
Ggl:"classification+vs+clustering+difference"

= writing, mklink =

Sub:
[[이진분류,binary_classification]]
multiclass_classification (multi-class_classification ?)
 https://developers.google.com/machine-learning/glossary?hl=ko#multi-class-classification
multi-label_classification and multi-output_classification
[[이미지분류,image_classification]]
[[linear_classification]] 선형분류 WpKo:선형_분류 = https://ko.wikipedia.org/wiki/선형_분류
 [[linear_classifier]] 선형분류기 WpEn:Linear_classifier = https://en.wikipedia.org/wiki/Linear_classifier
[[quadratic_classification]]
 [[quadratic_classifier]]
  WpEn:Quadratic_classifier = https://en.wikipedia.org/wiki/Quadratic_classifier

classification algorithms
 [[서포트벡터머신,support_vector_machine,SVM]]
 [[결정트리,decision_tree]]
 ...

----
Terms: / rel.
class
label
ground truth
confidence score
top-1 error, top-5 error - [[오류,error]] [[오차,error]] 중에 뭐에 가까운가? or both?
IU, IoU - intersection over union
bounding_box
[[분류기,classifier]]
{
(단어)
WtEn:classifier syn. WtEn:classificator
WpEn:Classifier

(기계학습의 분류기)
[[WpEn:Classifier_(machine_learning)]]
}
[[clustering]]
[[threshold]]
{
TBD: 이게 분류에만 쓰이는 개념은 아닌데 어떤 pagename is best?

Classifiers typically employ some kind of a threshold.
Changing the threshold will affect the performance of the classifier.
[[ROC곡선,ROC_curve|Receiver Operating Characteristic (ROC) curves]] allow us to evaluate the performance of a classifier using different thresholds.
(Kwak, Slide 1, p76)
}
[[패턴인식,pattern_recognition]]

compare:

[[자료,data]]
[[자료집합,dataset]]
[[data_labeling]] or [[labeling]]

= model이 얼마나 잘 작동하는지, 즉 분류기가 분류한 것과 실제 정답이 얼마나 일치하는지, 에 대한 통계적 수치(? 측도? 척도?)들 <- 적절한 제목으로. =
https://sumniya.tistory.com/26 에 따르면 '분류성능평가지표'
... Google:evaluation+metric 이 해당 영어표현인듯... ex.
 Classification Evaluation Metrics (분류성능지표)
 model evaluation metric
 and?
[[evaluation_metric]] { [[분류,classification]] 모델(classification_model) 성능의 척도/측도([[측도,measure]])? ... Up: [[평가,evaluation]] [[metric]]([[계량,metric]] 또는 [[거리,metric]]) }
https://blog.naver.com/jgyy4775/222640240966 에 따르면 'classification metric'(s) [[classification_metric]]
암튼 pagename TBD. 근데 먼저 [[metric]]의 pagename이 결정되어야 하는데 거리 계량 중 .. 그냥 계량이 최선인 듯 한데, 거리는 [[거리,distance]]와 겹치니.. [[계량,metric]]

일단 이것들에는 다음과 같은 것이 있으며 아래 나누어 서술

먼저 용어정리 - true, false, positive, negative 정리필요.
번역들도. 보통 positive=양성 negative=음성 

먼저 [[confusion_matrix]] 서술 필요. <- 앞문단으로 만들까? prerequisite으로
 (실제 = 정답 = ...) vs (예측 = 예상 = ...)

[[정확도,accuracy]] - 전체 중에서 얼마나 맞추었는지, 올바르게 예측된 수 / 전체 데이터 수, 
[[정밀도,precision]] - model이 true로 예측한 것 중에서 실제로 얼마나 true인지, 예측을 positive로 한 것 중에서 true AND positive인 것의 비율, 
[[재현율,recall]] - 
[[민감도,sensitivity]] - recall과 syn? 항상? chk
F1_score = F1-measure - curr at [[측도,measure]]

accuracy = (TN + TP) / (TN + FP + FN + TP)
precision = TP / (FP + TP)
recall = TP / (FN + TP) <-- chk

precision과 recall 이 둘이 서로 trade-off관계가 있다고 했었나?
- yes. false_positive true_negative 그 개념 그거임...
 * recall이 상대적으로 더 중요한 지표인 경우 : 실제 positive인 데이터 예측을 negative로 잘못 판단하게 되면 업무상 큰 영향이 발생하는 경우
 * precision이 상대적으로 더 중요한 지표인 경우 : 실제 negative인 데이터 예측을 positive로 잘못 판단하게 되면 업무상 큰 영향이 발생하는 경우
그래서 둘 중에 하나를 더 만족스럽게(? 향상? 더 좋은 표현) 하려면 다른 하나가 덜 정확해지는 그런...
... Google:정밀도+재현율+트레이드오프 Google:precision+recall+tradeoff

그 둘을 [[조화평균,harmonic_mean]]하여 통합(?) 종합? 한 것이 F1 score.

== accuracy ==
== precision ==
== ...tbw ==
see also [[혼동행렬,confusion_matrix]]
= Cover's theorem =
[[Cover_theorem]]
{
'''Cover's theorem'''

“pattern-classification problem, cast in a high dimensional space non-linearly,
is more likely to be linearly separable than in a low-dimensional space”
https://i.imgur.com/19517pbm.png
https://i.imgur.com/3vt88wPm.png
https://i.imgur.com/sTnkXxRm.png
(Kwak)

[[WpEn:Cover's_theorem]]
... [[Google:cover's+theorem]]
}

----
MKLINK
[[class]] - 클래스, 부류, ...
[[label]] - 레이블, ...
[[labeled_data]] - del ok
[[dataset]]
[[거리,distance]]
[[neighbor]] - 거리에 따라서
 [[nearest_neighbor]] and [[kNN]] and...
 [[clustering]] - 이것도 거리와 관계 깊은
[[초평면,hyperplane]] (저차원의 경우: 2d에선 [[직선,line]], 3d에선 [[평면,plane]])
[[결정경계,decision_boundary]] ... 이 둘은 '''분류'''에선 같은건가? 초평면은 결정경계 역할을 하는 것?
[[유사도,similarity]] .. via backlink. 유사한 대상(data point)을 같은 class로 분류하는 경우가 많으므로, related.
[[taxonomy]] - 역시 분류라고 번역됨. 그렇다면 classification과의 차이는? 혹시 taxonomy가 n-level [[트리,tree]]구조라면 classification은 1-level tree 구조인가? 아님 항상 그렇진 않지만 그런 쪽의 뉘앙스가 있는건가? - (그냥 생각, not sure)
 택소노미 분류학 ....
 [[Date(2024-05-08T14:47:05)]] 지금 보면 classification도 당연히 n-level일 수 있음(NN:dendrogram 을 생각)
 둘 다 cluster(~=group)로 묶는 clustering을 포함
 taxonomy는 classification을 하는 과학science/과정process/기술technique/체계system 정도의 뜻
 그리고 n-tree는 지금 생각해보면 hierarchy에도 가까운. 왜 그때 생각이 안났지... 암튼. [[위계,hierarchy]]는 분류과정에서 만들어지는 [[트리,tree]] [[구조,structure]] i.e. tree_structure. 그리고 hierarchical clustering의 결과를 시각적으로 보여주는 [[그림,diagram]]이 dendrogram.
 NN:taxonomy WtEn:taxonomy

연관 표현: 구분,

----
Up: [[기계학습,machine_learning]] > [[지도학습,supervised_learning]]