Методы классификации. 
Экономическая информатика

Задачи классификации относятся к задачам многомерного статистического анализа. В них объекты описываются в виде векторов в пространстве характеризующих эти объекты признаков. Задачи классификации делятся на три принципиально различных вида — дискриминантный анализ, кластерный анализ, задачи группировки [1, 8,13,14].

Задача дискриминантного анализа состоит в нахождении правила, по которому наблюдаемый объект может быть отнесен к одному из заданных классов. При этом предполагается, что классификация объектов уже известна. Классы могут быть описаны как непосредственно в математических терминах, так и с помощью обучающих выборок. В обучающих выборках для каждого объекта зарегистрированы значения признаков и класс, к которому этот объект относится. Поскольку классификация объектов известна, методы дискриминантного анализа часто называют классификацией с учителем.

Кластерный анализ применяется для выделения однородных категорий объектов, когда на основании статистических данных необходимо разделить элементы выборки на группы близких между собой объектов, которые обычно называют кластерами. «Близость» объектов должна определяться совокупностью значений измеренных признаков. Разбиение объектов на кластеры осуществляется одновременно с формированием этих кластеров. В связи с тем что классы и их число, а также сущность классификации заранее не известны, кластерный анализ называют классификацией без учителя.

В задачах группировки классы заранее не заданы и не требуется, чтобы они были существенно различными. В качестве примера можно привести группировки по уровню дохода, числу детей в семье, номеру группы студента.

Целью и кластеризации, и группировки является обнаружение и выделение классов. Однако задачей кластеранализа является поиск на основании существующих наблюдений достаточно изолированных скоплений объектов (кластеров), т. е. выявление «естественного» разбиения на классы. При группировке объекты разбиваются на группы независимо от того, естественны ли границы разбиения или нет, поэтому соседние группы могут незначительно отличаться друг от друга.

Хотя для решения задач кластеризации и группировки могут применяться одинаковые методы, принципиальное различие между ними состоит в том, что на практике при анализе конкретных данных кластеризация не всегда может быть успешно проведена, если данные достаточно однородны, и в этом случае возможна только их группировка.