Two Class Classification

Question 1

Two Class Classification

Answer 1

• auch binary Classification
• Statistisches Problem: Klassifizierung von Elementen eines Datensets in zwei Gruppen durch Anwendung bestimmer Klassifizierungsmethoden

Question 2

Konfusionsmatrix

Answer 2

• false Postive (Type I Error)
• false Negative (Type II Error)
• True Positive Rate(TPR) = True Positives / Condition Positives –> auch Sensitivity oder Recall
• False Negative Rate(FNR) = False Negatives / Condition positive –> auch Miss Rate
• False Positive Rate(False Positive Rate) = False Positives / Condition Negatives –> auch Fall-out
• True Negative Rate(TNR) = True Negative Rate / Condition negative –> auch Specifity
• Positive Predicitve Value(PPV) = True Positive / Test outcome positive –> auch Precision
• False Omission Rate(FOR) = False Negatives / Test Outcomes
• False Discovery Rate(FDR) = False positves / Test outcome positives
• Negative Predictive Value(NPV) = True Negatives / Test outcome negatives

Question 3

Klassifikationsmethoden Vergleich

Answer 3

-Versuchen das Pattern der Daten zu verstehen durch visuelle Datenanalyse oder durch den paarweisen Vergleich von Attributen

Sind die Daten linear separierbar?

• Ja: Decision Tree, Logistic Regression, Neural Networks
• Nein: Random Forrest oder SVM
• ???: Random Forrest
• Oder: NN können (müssen aber nicht) die beste Wahl sein

Question 4

Decision Tree

Answer 4

• Supervised Learning Methode
• Zweck: Sagt einen bestimmten Wert eines Datensatzes basierend auf den Werten anderer Datensätze vorher
• Wenn der Zielwert teil eines endlichen Bereichs ist, spricht man von Classification Trees gegenteilig zum Regression Tree