Diferencia entre métodos de clasificación y predicción en minería de datos

La clasificación y la predicción son dos métodos principales utilizados para extraer los datos . Usamos estas dos técnicas para analizar los datos, para explorar más acerca de los datos desconocidos.

Clasificación: 

La clasificación es el proceso de encontrar un buen modelo que describa las clases de datos o conceptos, y el propósito de la clasificación es predecir la clase de objetos cuya etiqueta de clase se desconoce. En términos simples, podemos pensar en Clasificación como una categorización de los nuevos datos entrantes en función de nuestras suposiciones actuales o pasadas que hemos hecho y los datos que ya tenemos con nosotros.

Predicción: 

Podemos pensar en la predicción como algo que puede suceder en el futuro. Y así en la predicción , identificamos o predecimos los datos faltantes o no disponibles para una nueva observación en función de los datos anteriores que tenemos y en las suposiciones futuras. En la predicción, la salida es un valor continuo.

Diferencia entre predicción y clasificación:

No Señor.	Predicción	Clasificación
1.	La predicción se trata de predecir un elemento faltante/desconocido (valor continuo) de un conjunto de datos	La clasificación se trata de determinar una clase (categorial) (o etiqueta) para un elemento en un conjunto de datos
2.	P.ej. Podemos pensar en la predicción como predecir el tratamiento correcto para una enfermedad en particular para una persona individual.	P.ej. Mientras que la agrupación de pacientes en función de sus historias clínicas puede considerarse clasificación.
3.	El modelo utilizado para predecir el valor desconocido se llama predictor.	El modelo utilizado para clasificar el valor desconocido se llama clasificador.
4.	El predictor se construye a partir de un conjunto de entrenamiento y su precisión se refiere a qué tan bien puede estimar el valor de los nuevos datos.	Un clasificador también se construye a partir de un conjunto de entrenamiento compuesto por los registros de las bases de datos y sus correspondientes nombres de clase.

Comparación de métodos de clasificación y predicción:

Aquí están los pocos criterios que usaremos para comparar los métodos de Clasificación y Predicción:

• Precisión: la precisión del clasificador se puede denominar como la capacidad del clasificador para predecir la etiqueta de clase correctamente , y la precisión del predictor se puede denominar qué tan bien un predictor dado puede estimar el valor desconocido.
• Velocidad: La velocidad del método depende del costo computacional de generar y usar el clasificador/predictor.
• Robustez: La robustez es la capacidad de hacer predicciones o clasificaciones correctas, en el contexto de la minería de datos, la robustez es la capacidad del clasificador o predictor para hacer predicciones correctas a partir de datos desconocidos entrantes.
• Escalabilidad: la escalabilidad se refiere a un aumento o disminución en el rendimiento del clasificador o predictor en función de los datos proporcionados.
• Interpretabilidad: la interpretabilidad puede referirse a la facilidad con la que podemos entender el razonamiento detrás de las predicciones o la clasificación realizada por el predictor o clasificador.

Problemas relacionados con la clasificación y la predicción:

Hay principalmente 2 operaciones principales que tenemos que realizar en los datos antes de aplicar métodos de clasificación o predicción:

• Limpieza de datos: en términos sencillos, la limpieza de datos se conoce como el preprocesamiento de los datos, la eliminación del ruido de los datos, la limpieza de los datos y la corrección de los valores faltantes o desconocidos de los datos.
• Análisis de relevancia: después de limpiar los datos, tenemos que hacer un análisis de datos para encontrar los datos relevantes de acuerdo con el problema. Por ejemplo, usamos el análisis de correlación para comparar las distintas clases en el método de clasificación. Después de limpiar los datos y analizarlos, es posible que necesitemos normalizar los datos resultantes, porque los datos normalizados brindan más precisión al predecir un valor desconocido. La normalización se puede lograr escalando todos los valores en el conjunto de datos de 0 a 1 en el rango.