دستهبندی (Classification) چیست؟ توضیح ساده و کاربردی
دستهبندی (Classification) یعنی چه؟ وظیفه یادگیری ماشین که به هر نمونه یکی از دستههای از پیش تعریفشده را نسبت میدهد. تشخیص هرزنامه و شناسایی بیماری از رو
واژه‌های تخصصی، درِ ورود به هر حوزه‌اند؛ وقتی «دستهبندی» را درست بفهمید، نصف راه یادگیری آن حوزه را رفته‌اید. این تعریف ساده بخشی از واژه‌نامه هوش مصنوعی امروزینو است.
دستهبندی به زبان ساده
وظیفه یادگیری ماشین که به هر نمونه یکی از دستههای از پیش تعریفشده را نسبت میدهد. تشخیص هرزنامه و شناسایی بیماری از روی تصویر نمونههایی از آن است.
چرا دانستنش مهم است؟
وقتی پای این واژه وسط می‌آید، معمولاً بحث از سطح ابتدایی گذشته و دقیقاً همان‌جایی است که باید انتخاب آگاهانه کنید.
دستهبندی با یک مثال عددی
فیلتر ایمیلی با ۱٫۰۰۰ پیام آزمایش کنید که ۳۰۰ تای آن اسپم است. مدل از ۳۰۰ اسپم، ۲۸۸ تا را می‌گیرد — بازیابی ۹۶٪. اما ۲۱ ایمیل سالم را هم به‌اشتباه اسپم می‌اندازد؛ یعنی از ۳۰۹ پیامی که «اسپم» اعلام کرده، ۲۸۸ درست بوده — دقت ۹۳٪. حالا سؤال طلایی: کدام خطا بدتر است؟ اگر ایمیل پیشنهاد کاری در پوشهٔ اسپم گم شود، هزینه‌اش از دیدن یک تبلیغ بسیار بیشتر است. همین مثال ساده نشان میدهد «دقت» تنها یک عدد نیست و باید مطابق هزینهٔ خطا تفسیر شود.
کاربردهای واقعی در ۲۰۲۶
- تشخیص تراکنش مشکوک: هر پرداخت کارتی در لحظه به کلاس «عادی/مشکوک» می‌رود و خرید مشکوک پیش از ثبت نهایی متوقف می‌شود.
- اولویت‌بندی تیکت پشتیبانی: پیام‌ها خودکار به «فوری/معمولی/پیشنهاد» مرتب می‌شوند و صف پشتیبانی از حالت تصادفی بیرون می‌آید.
- غربال تصاویر پزشکی: اولین پاسخ مدل — «نرمال/نیازمند بررسی متخصص» — سرعت مسیر بیماران سالم را بالا می‌برد و وقت رادیولوژیست را برای موارد مشکوک آزاد می‌کند.
اشتباه رایج در فهم دستهبندی
«دقت ۹۹٪ یعنی بی‌نقص» — بزرگ‌ترین اشتباه آماری دنیای دستهبندی. فرض کنید فقط ۱٪ تراکنش‌ها تقلبی باشند؛ مدلی که همیشه بگوید «تقلب نیست» ۹۹٪ دقیق است و هیچ تقلبی را نمی‌گیرد! وقتی کلاس‌ها نامتوازن‌اند، باید بازیابی و دقت را جدا گزارش کرد و بر اساس هزینهٔ هر نوع خطا تصمیم گرفت — عددِ تک‌رقمیِ خوش‌آیند، معیار کامل نیست.
تفاوت با رگرسیون
هر دو از خانوادهٔ یادگیری با نظارت‌اند و از مثال‌های برچسب‌دار یاد می‌گیرند؛ تفاوت در شکل خروجی است. رگرسیون عدد می‌گوید: «قیمت این خانه ۳٫۸ میلیارد تومان». دستهبندی برچسب انتخاب می‌کند: «این ایمیل اسپم است». قانون سرانگشتی: اگر جواب یک عدد پیوسته است رگرسیون، اگر از میان چند گزینهٔ بسته است دستهبندی.
مفاهیم مرتبط
جمع‌بندی
دستهبندی (Classification) را حالا می‌شناسید؛ قدم بعدی، دیدن این مفهوم در عمل است. برای عمق بیشتر، مطالب بخش هوش مصنوعی را دنبال کنید.
نکتهٔ عملی: پیش از ساخت مدل دستهبندی، از خودتان بپرسید «حداقل دقت قابل‌قبول برای هر کلاس چقدر است؟» و همین عدد را معیار قبولی پروژه کنید. دقت کلی ۹۰ درصدی که در آن کلاس مهمِ کم‌تعداد، ۴۰ درصد است، در عمل یک مدل خراب است — و بدون معیار کلاس‌محور، هرگز کشفش نمی‌کنید.
سؤالات پرتکرار
دستهبندی چیست و به چه دردی میخورد؟
وظیفه یادگیری ماشین که به هر نمونه یکی از دستههای از پیش تعریفشده را نسبت میدهد. تشخیص هرزنامه و شناسایی بیماری از روی تصویر نمونههایی از آن است.
دستهبندی برای چه کسانی مهم است؟
برای هر کسی که میخواهد در حوزه هوش مصنوعی حرفهای باتخصصتر بزند و تصمیمهای بهتر بگیرد.
بهترین معیار برای سنجش یک مدل دستهبندی چیست؟
معیار جهانی وجود ندارد؛ به هزینهٔ خطا بستگی دارد. در تشخیص بیماری، بازیابی (گرفتن هر مورد مثبت) مهم‌تر است؛ در فیلتر اسپم، دقت (به‌اشتباه بلاک‌نکردن ایمیل سالم) اولویت دارد. گزارش هر دو به‌همراه، رویهٔ درست است.
دستهبندی چند نوع دارد؟
سه نوع رایج: دودویی (اسپم/سالم)، چندکلاسه (خیابانها در تشخیص علائم: چهل کلاس از «توقف» تا «سرعت مجاز»)، و چندبرچسبی که یک آیتم همزمان میتواند چند برچسب بگیرد — مثل یک مقاله که هم «هوش مصنوعی» است هم «سلامت».
دستهبندی دودویی و چندکلاسه چه فرقی دارد؟
در دودویی، پاسخ فقط دو حالت دارد — اسپم یا سالم؛ در چندکلاسه، از میان چند برچسب یکی انتخاب می‌شود — اینکه ایمیل فروش است، پشتیبانی است یا حقوقی. ریسک اصلی چندکلاسه، توزیع نامتوازن است: کلاس‌های کمیاب معمولاً بد شناسایی می‌شوند و دقت کلی، این را پنهان می‌کند. برای همین، عملکرد را همیشه کلاس‌به‌کلاس ببینید نه فقط به‌صورت یک عدد کلی.
مطالب مرتبط
- مهندسی پرامپت (Prompt Engineering) چیست؟ توضیح ساده و کاربردی
- دمای مدل (Model Temperature) چیست؟ توضیح ساده و کاربردی
- تولید تقویت‌شده با بازیابی (RAG) چیست؟ توضیح ساده و کاربردی
- جست‌وجوی معنایی (Semantic Search) چیست؟ توضیح ساده و کاربردی
- پردازش زبان طبیعی (Natural Language Processing) چیست؟ توضیح ساده و کاربردی
- سنتز گفتار (Text-to-Speech) چیست؟ توضیح ساده و کاربردی
این مطلب برایتان مفید بود؟
با پسندیدن، به ما کمک می‌کنید مطالب بهتری منتشر کنیم.
