分類法

分類法（Classification）是資料探勘與機器學習中重要的算法。分類主要是用來將資料做區分，判斷資料是屬於哪一個類別。從原有的已知類別的資料集進行學習，用來判斷新進的未知類別資料。因為是已知類別的資料集進行學習所以也被稱為監督式學習（Supervised Learning）。

分類法可以分為兩種用法：分析與預測。

• 分析：用來解釋其模型形成的原因，能夠瞭解資料本身的特性及應用。
• 預測：根據資料的特徵及模型可以幫助預測未來新的資料走向。

分類法用在各式各樣的領域中，像是銀行用來判斷給不給貸款，醫生用來判斷是否有患病，等等。

基本概念

一般會將原本已知類別的資料集稱為訓練資料集（Traing Data），因為我們想從這些資料中學習，訓練出規則。

會進一步再把已知類別的資料分為訓練資料（Traing Data）與測試資料（Testing Data）。先把留一部分做為測試，用來檢驗訓練模型的好壞。

演算法

一般常用的演算法有以下幾種：決策樹、kNN 分類、貝氏分類法、羅吉斯回歸、SVM、類神經網路、類神經網路等等。之後再討論機器學習的時候再把演算法的部分補充。

Reference