Como funciona
Classificação é uma tarefa de aprendizado de máquina em que o sistema atribui uma observação a uma categoria. As categorias também são chamadas de classes ou rótulos. No aprendizado supervisionado, o modelo recebe exemplos anteriores com a classe correta e aprende padrões para prever a classe de novos casos.
A documentação do scikit-learn descreve diferentes tipos de alvo, incluindo classificação binária, com duas classes, e multiclasse, com mais de duas. Um modelo pode, por exemplo, separar mensagens em “urgente” e “não urgente”, ou classificar solicitações em “financeiro”, “suporte” e “vendas”.
O classificador aprende a partir de atributos, isto é, informações usadas para tomar a decisão. Em um filtro de mensagens, esses atributos podem incluir palavras, remetente e contexto. O algoritmo pode produzir uma classe diretamente ou calcular pontuações e probabilidades para cada classe. Um limiar de decisão converte uma pontuação em uma escolha final, e alterá-lo muda o equilíbrio entre falsos positivos e falsos negativos.
Exemplo prático
Uma loja quer encaminhar automaticamente mensagens recebidas para as equipes certas. Ela reúne exemplos já classificados por pessoas, como “troca”, “entrega” e “pagamento”. Parte dos exemplos serve para treinar o modelo, e outros ficam separados para avaliar se ele funciona em mensagens que não viu.
Se o classificador prevê “pagamento” para uma solicitação de troca, esse erro deve ser contado na avaliação. A equipe pode examinar uma matriz de confusão, que mostra em quais classes o sistema se confunde, e observar métricas como precisão e recall conforme o impacto de cada tipo de erro.
Os dados de avaliação precisam representar o uso esperado. Se as mensagens mudarem de estilo, incluírem novos produtos ou vierem de outros canais, a qualidade pode cair. Por isso, monitorar exemplos recentes e permitir correção humana ajuda a detectar problemas que não apareciam nos dados antigos.
Para que serve
Classificação serve para triagem, detecção de spam, análise de sentimento, identificação de documentos, inspeção de imagens e apoio a decisões com categorias definidas. Em negócios, pode ajudar a priorizar chamados ou sugerir uma fila de atendimento, mantendo uma pessoa responsável por casos incertos ou de maior impacto.
Não confunda classificação com regressão. A classificação prevê uma classe, como “risco alto” ou “risco baixo”; regressão estima um valor numérico, como tempo de entrega. Algumas tarefas podem ser formuladas de mais de uma maneira, mas transformar números em faixas pode perder detalhes úteis.
Antes de usar um classificador, defina as classes, documente como os rótulos foram atribuídos e avalie erros por grupo. Uma acurácia geral alta pode esconder falhas em uma classe rara. O modelo deve apoiar o processo, não mascarar critérios mal definidos ou dados enviesados.