منوهای نصب در پنل مدیریت

  • ورود
  • سبد خرید شما خالی است.

Decision Tree

Decision Tree یک الگوریتم پر قدرت و مشهور است . درخت تصمیم گیری زیرمجموعه یادگیری نظارت شده و زیر شاخه الگوریتم های طبقه بندی است.

هدف از درخت تصمیم گیری چیست؟

قصد دارد با یادگیری قوانین تصمیم گیری و استنباط ویژگی های داده ها، مدلی برای پیش بینی ارزش متغیر هدف ارائه بدهد.

ساختار درخت تصمیم گیری:

درخت تصمیم گیری ساختاری شبیه به فلوچارت دارد که هر گره داخلی بیانگر آزمایش یک ویژگی است.( مثل پرتاب سکه که آزمایش یک ویژگی است. خرجی شیر یا خط است. ) هر شاخه نتیجه آزمون را نشان می دهد. هر برگ بیانگر برچسب کلاس می باشد. هر مسیر از ریشه به برگ بیانگر قوانین طبقه بندی است.

اصطلاحات رایج درخت تصمیم گیری:

گره ریشه: در بالا ترین قسمت درخت قرار دارد و به دو یا چند مجموعه همگن تقسیم می شود.

تقسیم: هر گره را به دو یا چند زیر گره تقسیم می کند.

گره تصمیم گیری: وقتی یک گره فرعی به زیر گره های بعدی تقسیم می شود به آن گره تصمیم گیری می گویند.

برگ: گره ای که به زیر گره های بعدی تقسیم نمی شود و نتیجه را برای هر مسیر بیان می کند .

هرس: زمانی که زیر گره ای از یک گره تصمیم گیری حذف می شود به این فرایند هرس می گویند. می توان گفت این فرایند معکوس فرایند تقسیم است.

شاخه: یک زیر شاخه از درخت را شاخه یا زیر درخت می گویند.

گره والد و فرزند: گره ای که به زیر گره تقسیم می شود، گره والد (والدین) و گره ای که حاصل این تقسیم شدن است فرزند نام دارد.

برنامه های کاربردی درخت تصمیم گیری:

درخت تصمیم گیری ساختار شرطی (if ….then …else)را دارد. این ساختار Decision Tree را برای ساختار برنامه ها به ساگی مناسب می کند. همچنین برای مسئله های دسته بندی براساس ویژگی های داده ها مناسب است. برای مثال به طور مؤثر برای تعیین گونه های یک حیوان مورد استفاده قرار بگیرد.

مثال:

  • تعیین خریداران احتمالی یک محصول با استفاده از داده های جمعیتی برای هدفمند کردن بودجه تبلیغات محدود
  • پیش بینی احتمال تقاضای وام گیرندگان با استفاده از مدل های پیش بینی شده از سابقه وام گیرندگان
  • کمک به اولویت بندی روش های درمان بیماران اورژانسی با توجه به سن، سابقه، فشار خون، جنسیت، محل و شدت درد….
  • ارزیابی فرصت های توسعه برند برای یک تجارت با استفاده از داده های فروش تاریخی

درخت تصمیم گیری

مزایا:

  • میتواند برای پیش بینی مقادیر گسسته و پیوسته در الگوریتم های طبقه بندی و رگراسیون استفاده شود.
  • برای داده های غیرخطی و گسسته استفاده می شود.
  • در مقایسه با سایر الگوریتم های طبقه بندی سریع تر است.

معایب:

  • کوچکترین تغییر در داد ها باعث تغییرات بزرگ درد ساختار درخت می شود. حتی می تواند به طور کلی درخت را تغییر دهد.
  • گاهی محاسبات نسبت به سایر الگوریتم ها پیچیده تر است.
  • آموزش درخت نسبتا هزینه بالایی دارد . زیرا پیچیدگی و زمان زیادی صرف می شود.

مطالعه بیشتر

ژوئن 29, 2020

۰ پاسخ به "Decision Tree"

ارسال یک پیام

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

X