Summary  
This chapter explains the supervised learning concept of classification, detailing how to predict categorical outcomes using features, the types of classification (binary, multiclass, multilabel), target encoding, and common algorithms.

General domain of usage  
Email spam filtering

**Luokittelu** on ohjatun oppimisen tehtävä, jossa tavoitteena on ennustaa havaintoyksikön luokka sen **piirteiden** perusteella. Malli oppii merkittyjen esimerkkien avulla **opetusjoukosta** ja liittää sitten luokan uusiin, aiemmin näkemättömiin tietoihin.

Regressio ennustaa **jatkuvan numeerisen arvon** (esim. hinta), jolla voi olla useita mahdollisia arvoja.
Luokittelu ennustaa **kategorisen arvon** (esim. makeistyypin), valiten yhden vaihtoehdon rajatusta luokkajoukosta.

Luokittelua on useita tyyppejä:

* **Binaariluokittelu:** kohteella on kaksi mahdollista lopputulosta (roskaposti/ei roskaposti, keksi/ei keksi);
* **Moniluokkainen luokittelu:** kolme tai useampia mahdollisia kategorioita (roskaposti/tärkeä/mainos/muu; keksi/vaahtokarkki/makeinen);
* **Moniluokkainen moniluokittelu:** yksittäinen havainto voi kuulua **useaan luokkaan samanaikaisesti** (elokuva voi olla toiminta *ja* komedia; sähköposti voi olla tärkeä *ja* työhön liittyvä).


Useimpien koneoppimismallien kohdalla kohde täytyy koodata numeroksi. **Binaarisessa** luokittelussa tulokset koodataan yleensä 0/1 (esim. 1 - keksi, 0 - ei keksi). **Moniluokkaisessa** luokittelussa tulokset koodataan yleensä 0, 1, 2, ... (esim. 0 - karkki, 1 - keksi, 2 - vaahtokarkki).

Monet eri mallit voivat suorittaa luokittelua. Esimerkkejä ovat:
- k-lähimmät naapurit;
- logistinen regressio;
- päätöspuu;
- satunnaismetsä.

Kaikki nämä löytyvät **scikit-learn**-kirjastosta ja ovat helppokäyttöisiä.

Mikään koneoppimismalli ei ole toista parempi. Parhaiten suoriutuva malli riippuu aina käsillä olevasta tehtävästä.

Huomio

Mikä on luokittelun päätavoite koneoppimisessa?

Hallitse keskeiset luokittelualgoritmit, jotka ovat modernin koneoppimisen ytimessä. Tutustu siihen, miten mallit kuten k-NN, logistinen regressio, päätöspuut ja satunnaismetsät tekevät ennusteita, arvioi niiden tarkkuutta ja ymmärrä, milloin kutakin kannattaa käyttää. Kehitä taitoja vertailla malleja ja valita paras vaihtoehto aineistosi perusteella.

Opi, miten k-lähimmän naapurin algoritmi tekee ennusteita samankaltaisuuden perusteella. Sisältää useiden piirteiden käsittelyn, parametrien säätämisen ja ristiinvalidoinnin hyödyntämisen tarkkuuden parantamiseksi.

Ymmärrä, miten logistinen regressio mallintaa todennäköisyyksiä ja luokittelee tuloksia. Harjoittele sen toteuttamista, päätösrajojen tulkintaa sekä regularisoinnin soveltamista ylisovittamisen estämiseksi.

Opi, kuinka päätöspuut jakavat dataa merkityksellisiin ryhmiin ominaisuuksien arvojen perusteella. Tutustu siihen, miten parametrit, kuten puun syvyys ja lehden miniminäytteiden määrä, vaikuttavat mallin suorituskykyyn ja yleistettävyyteen.

Tutustu siihen, miten satunnaismetsät yhdistävät useita päätöspuita parantaakseen tarkkuutta ja vankkuutta. Ymmärrä satunnaisuuden rooli ja sovella tätä yhdistelmämallia reaalimaailman dataan.

Mallien arviointi mittareilla, kuten tarkkuus, precision, recall ja F1-pisteet. Sekamatriksien tulkinta ja useiden luokittelijoiden vertailu parhaan mallin tunnistamiseksi.