kombiniertes data mining – klassifikation unter verwendung von ...

Kombiniertes Data Mining – Klassifikation anhand von Hilfsinformationen
Klassifikationsgenauigkeit
Das wichtigste Qualitätsmaß für DT-Klassifikatoren ist die Klassifikationsgenauigkeit.
Sie trifft Aussagen darüber, welcher Anteil der klassifizierten Testdaten richtig
eingeordnet wurde. Ein Klassifikator K mit einer Trainingsmenge TR und einer
Testmenge TE (beide Mengen aus dem Objektraum O) erzeugt für ein Objekt o die
zugehörige Klasse C(o). Die Klassifikationsgenauigkeit und die korrespondierenden
Klassifikationsfehler berechnen sich folgendermaßen:
• Klassifikationsgenauigkeit (classification accuracy) von K auf TE:
G TE
| { o ∈TE
| K(
o)
= C(
o)}
|
( K)
=
| TE |
Die Klassifikationsgenauigkeit ist ein Maß für den Anteil der richtig
klassifizierten Testdaten in Bezug auf eine unabhängige Testmenge.
• Tatsächlicher Klassifikationsfehler (true classification error) von K auf TE:
F TE
| { o ∈TE
| K(
o)
≠ C(
o)}
|
( K)
=
| TE |
Der tatsächliche Klassifikationsfehler ist ein Maß für den Anteil der falsch
klassifizierten Testdaten in Bezug auf eine unabhängige Testmenge.
• Beobachteter Klassifikationsfehler (apparent classification error) von K auf
TR:
F TR
| { o ∈TR
| K(
o)
≠ C(
o)}
|
( K)
=
| TR |
Der beobachtete Klassifikationsfehler ist ein Maß für die Fehlklassifikation der
zur Konstruktion des Klassifikators verwendeten Trainingsdatensätze.
Wird der Baum soweit verfeinert, dass jedes Blatt nur noch Datensätze einer Klasse
enthält, so ist der beobachtete Klassifikationsfehler immer 0. Ein bin ins Äußerste
Seite 39