{"id":33,"date":"2021-09-22T23:48:13","date_gmt":"2021-09-22T21:48:13","guid":{"rendered":"https:\/\/nit.it\/?p=33"},"modified":"2021-09-22T23:52:04","modified_gmt":"2021-09-22T21:52:04","slug":"addestramento-degli-algoritmi-di-machine-learning-alla-classificazione-per-effettuare-previsioni","status":"publish","type":"post","link":"https:\/\/nit.it\/index.php\/2021\/09\/22\/addestramento-degli-algoritmi-di-machine-learning-alla-classificazione-per-effettuare-previsioni\/","title":{"rendered":"Effettuare previsioni mediante addestramento degli algoritmi di Classificazione."},"content":{"rendered":"\n

<\/p>\n\n\n\n

Per Classificazione<\/strong> si intende un’attivit\u00e0 che richiede l’uso di algoritmi di Machine Learning<\/strong> che apprendono come assegnare un’etichetta di classe agli esempi<\/strong> dal dominio del problema.<\/p>\n\n\n\n

Facciamo un esempio pratico.<\/strong><\/p>\n\n\n\n

Un credito \u00e8 una somma di denaro prestata da un istituto finanziario, ad esempio una banca, da restituire con gli interessi, generalmente a rate.<\/p>\n\n\n\n

\u00c8 importante che la banca<\/strong> sia in grado di prevedere in anticipo il rischio connesso ad un prestito, che \u00e8 la probabilit\u00e0 che il cliente vada in default e non restituisca l’intero importo, sia per assicurarsi che la banca realizzi un profitto e anche per non infastidire un cliente con un prestito oltre la sua capacit\u00e0 finanziaria.<\/p>\n\n\n\n

Nel credit scoring<\/strong>, la banca calcola il rischio dato l’importo del credito e le informazioni sul cliente. Le informazioni sul cliente includono dati a cui abbiamo accesso e sono rilevanti per il calcolo della sua capacit\u00e0 finanziaria, vale a dire, reddito, risparmi, garanzie reali, professione, et\u00e0, storia finanziaria passata, ecc. La banca ha un registro dei prestiti passati contenente tali dati del cliente e se il prestito \u00e8 stato rimborsato o meno. Da questi dati, lo scopo \u00e8 quello di inferire una regola generale che codifica l’associazione tra gli attributi di un cliente e il suo rischio, ovvero il sistema di Machine Learning adatta un modello ai dati passati <\/strong>per poter calcolare il rischio per una nuova applicazione e quindi decide di accettare o rifiutarlo di conseguenza.<\/p>\n\n\n\n

Questo \u00e8 un esempio di problema di classificazione in cui sono presenti due classi:<\/p>\n\n\n\n

  1. clienti a basso rischio<\/li>
  2. clienti ad alto rischio.<\/li><\/ol>\n\n\n\n

    Le informazioni su un cliente costituiscono l’input per il classificatore il cui compito \u00e8 assegnare l’input a una delle due classi.<\/p>\n\n\n\n

    Dopo l’addestramento con i dati passati (training set), una regola di classificazione appresa pu\u00f2 essere della forma:<\/p>\n\n\n\n

    IF (reddito > \u03b81 AND risparmi > \u03b82) <\/em><\/strong><\/p>\n\n\n\n

    THEN <\/em><\/strong><\/p>\n\n\n\n

    basso rischio <\/strong><\/em><\/p>\n\n\n\n

    ELSE <\/em><\/strong><\/p>\n\n\n\n

    alto rischio<\/strong><\/em><\/p>\n\n\n\n

    per opportuni valori di \u03b81 e \u03b82<\/strong> .<\/p>\n\n\n\n

    Questo \u00e8 un esempio di discriminante; \u00e8 una funzione che separa gli esempi di diverse previsioni. Avendo una regola come questa, l’applicazione principale \u00e8 la previsione: una volta che abbiamo una regola che si adatta ai dati passati, se il futuro \u00e8 simile al passato, allora possiamo fare previsioni corrette per nuove istanze.<\/p>\n\n\n\n

    Data una nuova applicazione con un certo reddito e risparmio, possiamo facilmente decidere se \u00e8 a basso rischio o ad alto rischio. In alcuni casi, invece di fare un 0\/1 (basso rischio\/alto rischio), potremmo voler calcolare una probabilit\u00e0, ovvero P(Y|X), dove X sono gli attributi del cliente e Y \u00e8 rispettivamente 0 o 1 per il rischio basso o rischio alto.<\/p>\n\n\n\n