Klassifikation vs. Klyngeanalyse (clustering)

Hvorfor de er forskellige

Klassifikation sorterer i grupper, som mennesker har navngivet på forhånd og vist eksempler på; klyngeanalyse finder selv grupper uden givne navne.

Klassifikation

Grundlæggende maskinlæring

At lære en computer at sortere hvert nyt tilfælde i én af nogle faste grupper, fx godkend eller afvis, ægte angreb eller falsk alarm.

Formelt

En opgave i maskinlæring, hvor modellen lærer af mærkede eksempler at give hvert nyt input én mærkat fra en kendt, fast liste, ofte sammen med en score for, hvor sikker den er.

Forklaret enkelt

Som en møntsorteringsmaskine i banken - hver mønt falder ned i hullet for sin værdi, og der er intet hul til en mønt, den aldrig har set.

I praksis

I et rederi sætter en model, der er trænet på tusindvis af fakturaer, som en bogholder allerede havde sorteret, hver ny faktura i én af 40 slags udgifter, fx brændstof eller havneafgifter, og sender de usikre tilbage til hende.

Hvorfor det betyder noget

Ingen model sorterer alle tilfælde rigtigt, og forkerte afgørelser koster forskelligt - et overset angreb koster som regel mere end en falsk alarm - så nogen må beslutte, hvilke fejl man accepterer, og hvor et menneske tjekker.

Klyngeanalyse (clustering)

Grundlæggende maskinlæring

At lade en computer selv dele ting, der ligner hinanden, op i grupper, uden at navne eller rigtige svar er givet på forhånd.

Formelt

En opgave i maskinlæring, der deler ting uden mærkater op i grupper, så ting i samme gruppe ligner hinanden mere end ting i forskellige grupper; antallet af grupper og deres betydning er ikke givet.

Forklaret enkelt

Som at kigge op på nattehimlen og se, hvilke stjerner der ligger tæt sammen - grupperne kommer først, og navnene på dem kommer bagefter.

I praksis

En dataanalytiker i en dansk webshop grupperer 80.000 kunder efter, hvad og hvornår de køber, og finder seks grupper, herunder én, der kun handler, når der er udsalg.

Hvorfor det betyder noget

Den finder orden i bunker af data, som ingen har tid til at mærke, men grupperne betyder intet, før et menneske har set på dem - og en anden indstilling kan dele de samme data helt anderledes.