การแบ่งประเภท

ส่วนหนึ่งของเนื้อหา
การเรียนรู้ของเครื่อง และ การทำเหมืองข้อมูล
กระบวนทัศน์ การเรียนรู้แบบมีผู้สอน การเรียนรู้แบบไม่มีผู้สอน การเรียนรู้แบบกึ่งมีผู้สอน การเรียนรู้แบบสอนตัวเอง การเรียนรู้แบบเสริมกำลัง การเรียนรู้แบบเชื่อมตรง
ปัญหา การจำแนกเชิงสถิติ การจับกลุ่มข้อมูล การวิเคราะห์การถดถอย การตรวจหาความผิดปกติ การเรียนรู้ของเครื่องโดยอัตโนมัติ การเรียนรู้กฎความเกี่ยวพัน การทำนายเชิงโครงสร้าง วิศวกรรมค่าแทนลักษณะ การเรียนรู้ค่าแทนลักษณะ การอุปนัยไวยากรณ์ การเรียนรู้แบบพหุฐานนิยม
การเรียนรู้แบบมีผู้สอน การจำแนกเชิงสถิติ โครงข่ายประสาทเทียม เพอร์เซปตรอน ต้นไม้ตัดสินใจ Ensembles Bagging Boosting ป่าสุ่ม k-NN การถดถอยเชิงเส้น การจำแนกแบบเบส์อย่างง่าย การถดถอย การถดถอยโลจิสติก Relevance vector machine (RVM) เครื่องเวกเตอร์ค้ำยัน (SVM)
การจับกลุ่มข้อมูล BIRCH CURE Hierarchical ค่าเฉลี่ย k ขั้นตอนวิธี EM DBSCAN OPTICS Mean-shift
โครงข่ายประสาทเทียม การเรียนรู้เชิงลึก ตัวเข้ารหัสอัตโนมัติ เพอร์เซปตรอนหลายชั้น RNN LSTM GRU เครื่องบ็อลทซ์มันแบบจำกัด GAN SOM CNN U-Net ดีปดรีม ทรานส์ฟอร์เมอร์
การลดมิติ การวิเคราะห์ปัจจัย CCA ICA LDA NMF PCA PGD t-SNE
การทำนายเชิงโครงสร้าง Graphical model โครงข่ายแบบเบส์ Conditional random field แบบจำลองมาร์คอฟซ่อนเร้น
การตรวจหาความผิดปกติ k-NN Local outlier factor
การเรียนรู้แบบเสริมกำลัง Q-learning SARSA Temporal difference (TD)
ทฤษฎี Bias–variance dilemma Computational learning theory Empirical risk minimization Occam learning PAC learning Statistical learning VC theory
ด ค ก

ในวิทยาการคอมพิวเตอร์ การจำแนกเชิงสถิติ (อังกฤษ: statistical classification) เป็นปัญหาพื้นฐานของการเรียนรู้แบบมีผู้สอน โดยปัญหาคือการทำนายประเภทของวัตถุจากสมบัติต่าง ๆ ของวัตถุ ซึ่งการเรียนรู้แบบมีผู้สอนจะสร้างฟังก์ชันเชื่อมโยง ระหว่างสมบัติของวัตถุ กับประเภทของวัตถุจากตัวอย่างข้อมูลสำหรับฝึกสอน แล้วจึงใช้ฟังก์ชันนี้ทำนายประเภทของวัตถุที่ไม่เคยพบ เครื่องมือหรือขั้นตอนวิธีที่ใช้สำหรับการจำแนกประเภทของข้อมูลในเชิงสถิติ ได้แก่ โครงข่ายประสาทเทียม ต้นไม้ตัดสินใจ

กำหนดตัวอย่างสอน ${\displaystyle E=\{(x_{1},y_{1}),(x_{2},y_{2}),\dots ,(x_{n},y_{n})\}}$ ให้ ${\displaystyle x_{i}}$ เป็นเวกเตอร์แสดงคุณสมบัติของวัตถุ ซึ่ง ${\displaystyle x_{i}\in A_{1}\times A_{2}\times \cdots \times A_{m}}$ โดยที่ ${\displaystyle A_{i}}$ เป็นเซตจำกัดระบุคุณสมบัติ และ ${\displaystyle y\in C}$ เป็นประเภทของวัตถุ ซึ่งกำหนดไว้ในเซตจำกัด ${\displaystyle C}$ ต้องการหาฟังก์ชัน ${\displaystyle f(x)}$ ซึ่งให้ค่า ${\displaystyle y}$ จากเวกเตอร์ ${\displaystyle x}$ ที่กำหนด โดยที่ความผิดพลาดของการทำนายตัวอย่างสอนมีค่าน้อยที่สุด หรือมีค่า ${\displaystyle e}$ น้อยที่สุด โดยกำหนด ${\displaystyle e=\sum _{i=1}^{n}t(f(x_{i}),y_{i})}$ ซึ่ง ${\displaystyle t(a,b)={\begin{cases}0,{\mbox{if }}a=b\\1,{\mbox{if }}a\neq b\end{cases}}}$

บทความคอมพิวเตอร์ อุปกรณ์ต่าง ๆ หรือเครือข่ายนี้ยังเป็นโครง คุณสามารถช่วยวิกิพีเดียได้โดยการเพิ่มเติมข้อมูล

• ด
• ค
• ก