Classification mak tarefa ida iha AI/ML ne’ebé uza atu halo klasifikasaun dadus ba kategoria (klase) ne’ebé mak define ona. Sistema aprende padraun husi dadus ne’ebé iha label (labeled data), no depois bele hatudu label ba dadus foun. Ezemplu: identifika email hanesan spam ka lae spam, ka identifika imajen hanesan bibi, asu, no seluk. Classification importante tebes ba analiza predisaun, filtru spam, no rekognisaun imajen. Ne’e mak parte importante husi supervised learning, ne’ebé model liga karakterístika input ba klase espesífiku atu ajuda halo desizaun automatiku no kompriende dadus ne’ebé la organiza..
(e.g., Spam/Not Spam, Fraud/Not Fraud).
(e.g., classifying an image as a cat, dog, bird, or fish).
Filtru Spam: Fahe email ba spam ka inbox.
Rekognisaun Imajen: Identifika objetu, oin, ka sena iha imajen.
Diagnóstiku Médiku: Klasifika tumor hanesan benignu ka malignu.
Deteisaun Fraude: Identifika tranzasau n fraudulenta.
Servisu Kliente: Direciona pergunta kliente ba departamentu loos.
iha area classification tanba nia dezenvolve métodu hanesan Decision Tree no Random Forest. Nia hatete katak sistema classification ne’ebé uza model barak hamutuk bele hasa’e presizaun (accuracy) no hamenus erru iha klasifikasaun data.
problema classification bainhira data la balansadu (imbalanced data). Nia hatete katak importante tebes atu avaliasaun model classification labele haree de’it ba accuracy, maibé tenke konsidera mos model bele aprende loos husi data ne’ebé limitadu.
DRandom Forest no ensemble learning iha classification. Nia hatete katak uza model barak hamutuk bele halo sistema classification sai di’ak liu no konfiavel liu, liu-liu ba data ne’ebé kompleksu.
feature selection iha classification. Nia hatete katak hili feature ne’ebé loos bele hasa’e rezultadu classification, tanba model aprende di’ak liu no deside klase data ho presizaun aas.