分类是一种数据挖掘技术，可将类别分配给数据集合，以帮助进行更准确的预测和分析。有时也称为a 决策树 ，分类是旨在使非常大的数据集的分析有效的几种方法之一。
为何分类？
非常大的数据库正在成为当今世界的常态 大数据 。想象一下拥有多TB数据的数据库 - 一个TB就是一个数据库 兆 数据字节。
Facebook每天都会处理600TB的新数据（截至2014年，这是它最后一次报告这些规格）。大数据的主要挑战是如何理解它。
纯粹的数量不是唯一的问题：大数据也往往是多样化的，非结构化的和快速变化的。考虑音频和视频数据，社交媒体帖子，3D数据或地理空间数据。这类数据不易分类或组织。
为了应对这一挑战，已经开发了一系列用于提取有用信息的自动方法 分类 .
分类如何运作
冒着进入技术领域的危险，让我们讨论分类如何运作。目标是创建一组分类规则来回答问题，做出决定或预测行为。首先，开发一组训练数据，其中包含一组特定属性以及可能的结果。
分类算法的工作是发现该组属性如何达到其结论。
脚本：也许信用卡公司正试图确定哪些潜在客户应该获得信用卡优惠。
这可能是一组训练数据：
| 名称 | 年龄 | 性别 | 年收入 | 信用卡优惠 |
|---|---|---|---|---|
| 约翰·多伊 | 25 | 中号 | $39,500 | 没有 |
| 简·多伊 | 56 | F | $125,000 | 是 |
“预测”栏目 年龄 , 性别 ，和 年收入 确定“预测属性”的值 信用卡优惠 。在训练集中，预测变量属性是已知的。然后分类算法尝试确定如何达到预测变量属性的值：预测变量和决策之间存在什么关系？它将开发一组预测规则，通常是IF / THEN语句，例如：
IF（年龄> 18岁或年龄<75岁）和年收入> 40,000然后信用卡优惠=是
显然，这是一个简单的例子，算法需要比这里显示的两个记录大得多的数据采样。此外，预测规则可能要复杂得多，包括捕获属性细节的子规则。
接下来，算法被给予要分析的数据的“预测集”，但是这个集缺少预测属性（或决定）：
| 名称 | 年龄 | 性别 | 年收入 | 信用卡优惠 |
|---|---|---|---|---|
| 杰克弗罗斯特 | 42 | 中号 | $88,000 | |
| 玛丽默里 | 16 | F | $0 |
此预测变量数据有助于估计预测规则的准确性，然后调整规则，直到开发人员认为预测有效且有用。
日常分类示例
分类和其他数据挖掘技术是我们作为消费者的日常经验的背后。
天气预报可能会利用分类来报告这一天是下雨，晴天还是阴天。医学界可能会分析健康状况以预测医疗结果。一种分类方法，Naive Bayesian，使用条件概率对垃圾邮件进行分类。从欺诈检测到产品报价，每天都在分析数据和产生预测的分类。
