Введение
Классификация элементов множества в одну или две группы. Бинарная классификация – это задача отнесения элементов множества к одной из двух групп (каждая из которых называется классом) на основании правила классификации. Типичные задачи бинарной классификации включают:
Медицинская диагностика для определения наличия или отсутствия у пациента определенного заболевания;
Контроль качества в промышленности, решение о соответствии спецификации;
В информационном поиске, определение, следует ли включать страницу в набор результатов поиска. Бинарная классификация – это дихотомизация, применяемая к практической задаче. Во многих практических задачах бинарной классификации две группы не являются симметричными, и вместо общей точности представляет интерес относительное соотношение различных типов ошибок. Например, в медицинской диагностике обнаружение заболевания, которого нет (ложноположительный результат), рассматривается иначе, чем пропуск заболевания, когда оно присутствует (ложноотрицательный результат).
Binary classification is the task of classifying the elements of a set into one of two groups (each called class) on the basis of a classification rule. Typical binary classification problems include:
Medical testing to determine if a patient has certain disease or not;
Quality control in industry, deciding whether a specification has been met;
In information retrieval, deciding whether a page should be in the result set of a search or not. Binary classification is dichotomization applied to a practical situation. In many practical binary classification problems, the two groups are not symmetric, and rather than overall accuracy, the relative proportion of different types of errors is of interest. For example, in medical testing, detecting a disease when it is not present (a false positive) is considered differently from not detecting a disease when it is present (a false negative).
Преобразование непрерывных значений в бинарные
Тесты, результаты которых представлены непрерывными значениями, такие как большинство показателей крови, могут быть искусственно преобразованы в бинарные путем определения порогового значения, при котором результаты теста классифицируются как положительные или отрицательные в зависимости от того, превышает или не превышает полученное значение этот порог. Однако такое преобразование приводит к потере информации, поскольку результирующая бинарная классификация не указывает, насколько значение выше или ниже порога. В результате, при преобразовании непрерывного значения, близкого к пороговому, в бинарное, результирующая прогностическая ценность положительного или отрицательного результата обычно выше, чем прогностическая ценность, полученная непосредственно из непрерывного значения. В таких случаях обозначение теста как положительного или отрицательного создает иллюзию необоснованно высокой уверенности, в то время как значение на самом деле находится в диапазоне неопределенности. Например, при определении концентрации ХГЧ в моче как непрерывного значения, тест на беременность, показывающий 52 мМЕ/мл ХГЧ, может быть интерпретирован как "положительный" при пороговом значении 50 мМЕ/мл, но фактически находится в диапазоне неопределенности, который можно выявить только при знании исходного непрерывного значения. С другой стороны, результат теста, значительно отличающийся от порога, как правило, имеет прогностическую ценность положительного или отрицательного результата ниже, чем прогностическая ценность, полученная из непрерывного значения. Например, значение ХГЧ в моче 200 000 мМЕ/мл указывает на очень высокую вероятность беременности, но при преобразовании в бинарные значения оно отображается как "положительный" результат, аналогичный показателю 52 мМЕ/мл.