Handboek · hoofdstuk 42Classificatie en clustering

Een label ‘ziek’ vraagt een definitie: welke ziekte, volgens welke referentie, op welk moment? Een stresslabel uit bladtemperatuur is geen betrouwbare ziektediagnose zonder aanvullend bewijs. Droogte, hitte, licht en infectie kunnen overlappende patronen veroorzaken. De voorbeelden hier gebruiken synthetische labels om de algoritmen te leren.

Bewaar plant-ID, batch, meetplaats, tijd UTC+1, meetkwaliteit en labelherkomst. Meerdere beelden van dezelfde plant mogen niet over training en test worden verdeeld als je prestaties op nieuwe planten wilt kennen. Een referentiemeting wordt onafhankelijk van de modelsuggestie vastgesteld; anders bevestigt de annotator onbedoeld het model.

Neem een score $z=b+w^{T}x$ en $p=\sigma (z)=1/(1+{\mathrm{e}}^{-z})$. De log-odds is $\ln [p/(1-p)]=z$. Een lineaire score krijgt zo een waarde tussen nul en één. De grens p=0,5 is z=0: een rechte lijn bij twee features. De naam regressie verwijst naar het passen van parameters; het doel is hier classificatie.

Minimaliseer de gemiddelde binaire kruis-entropie. Met ${\sigma }^{\prime }(z)=p(1-p)$ wordt de afgeleide naar z precies p−y. De gradiënt naar de gewichten is dus het gemiddelde van $x(p-y)$, plus een gekozen regularisatiestraf. Dit is een concrete verbinding met gradiëntafdaling uit e02.

KNN bewaart de trainingswaarnemingen. Bereken de afstand tot een nieuwe plant, kies k buren en stem op hun labels. Met k=1 is de grens grillig; een grotere k verlaagt gevoeligheid voor lokale ruis maar kan kleine probleemgroepen overschreeuwen. Kies k op validatie.

Afstand vraagt betekenisvolle schaal. Een vochtpercentage met bereik 0–100 kan een temperatuurverschil van enkele kelvin domineren. Standaardiseer op training of kies een fysisch onderbouwde afstand. KNN extrapoleert niet betrouwbaar ver buiten bekende voorbeelden. Ontbrekende features mogen niet als nul worden toegevoegd. Bewaar ook de burenafstand als aanwijzing voor invoer buiten het domein.

Een boom kiest splitsingen zoals ΔT>1,5 K en daarna vocht<45%. Een blad bevat een klasse of trainingsfractie. De Gini-onzuiverheid voor een binaire fractie p is $2p(1-p)$: nul bij een zuiver blad, 0,5 bij een helft-helftverdeling.

Een split wordt beoordeeld met de naar omvang gewogen onzuiverheid van de kinderen. Herhaalde greedy splits vinden een bruikbare lokale keuze, geen gegarandeerd globaal beste boom. Een diepe boom kan iedere trainingsplant memoriseren. Beperk diepte en minimumbladomvang en toets die instellingen onafhankelijk. De regels zijn leesbaar, maar worden pas oorzakelijk als het onderzoeksontwerp dat draagt.

Kies ‘ziek’ als positieve klasse. TP is een juist ziektevoorstel, FP een onterechte inspectie, FN een gemiste zieke plant en TN een correct gezond voorstel. Zet vooraf vast of rijen de waarheid of de voorspelling voorstellen. De code print TN,FP,FN,TP expliciet om verwisseling te voorkomen.

Precisie=TP/(TP+FP) beantwoordt hoeveel meldingen terecht zijn. Recall=TP/(TP+FN) vertelt hoeveel zieken gevonden zijn. Accuracy=(TP+TN)/N kan goed lijken wanneer ziekte zeldzaam is. Geef aantallen naast percentages: recall 100% op één zieke plant is weinig bewijs. Bij geen positieve voorspellingen is precisie niet informatief; documenteer hoe je die lege noemer rapporteert.

Een lagere drempel meldt meer planten: doorgaans stijgt recall en daalt precisie. Kies de drempel op validatie vanuit inspectiecapaciteit en foutkosten. Als p een goed gekalibreerde ziekte-kans is, kost inspecteren $C_{FP}(1-p)$ en missen $C_{FN}p$. Inspecteren wint als $p>C_{FP}/(C_{FP}+C_{FN})$. Bij kosten 1 en 5 is dat 1/6.

Deze afleiding veronderstelt die kosten en kalibratie. De code kiest empirisch een grens uit een rooster, zodat dezelfde vereenvoudigingen niet als gemeten klinische of biologische waarheid worden gepresenteerd. Controleer op test de gekozen actie, scorekalibratie en prestaties per batch of omgeving. Een modelscore is een voorstel aan de inspecteur.

Bij 1% positieve planten kan een model dat nooit ziek zegt 99% accuracy bereiken. Rapporteer daarom prevalentie, recall, precisie, foutaantallen en een precision-recallcurve over drempels. Vergelijk prestaties op dezelfde beoogde populatie; precisie verandert wanneer ziekte zeldzamer wordt.

Klassegewichten en oversampling kunnen training helpen, maar veranderen de verliesfunctie of trainingsverdeling. Een gewogen logistieke score is niet vanzelf de oorspronkelijke populatiekans. Corrigeer of kalibreer op representatieve onafhankelijke data. Resampling gebeurt uitsluitend binnen training. Houd alle herhalingen van een plant en synthetische afgeleiden in dezelfde fold. Maak het testdeel representatief voor de echte inzet.

K-means zoekt k centra en minimaliseert de som van kwadratische afstanden: $J={\sum }_i\Vert x_i-c_{a_i}{\Vert }^2$. Wissel twee stappen af: wijs ieder punt toe aan het dichtste centrum; vervang ieder centrum door het gemiddelde van zijn toegewezen punten. Het gemiddelde minimaliseert de kwadratensom bij vaste toewijzing.

Elke gewone stap verhoogt J niet, maar de oplossing kan een lokaal minimum zijn. Begin meerdere keren en behoud de laagste J. Lege clusters vragen een expliciete herstartregel. Schaal kenmerken voordat je afstand vergelijkt. Groepen met verschillende dichtheid, langgerekte vorm of uitschieters passen niet altijd bij deze geometrie.