Wat is beslissingsboom leren?

Decision Tree Learning maakt gebruik van een voorspellend model met informatieve takken die vergelijkbaar zijn met een boom om veronderstellingen over te verzamelen en een oordeel te vellen over de waarde van een item.Het systeem wordt gebruikt voor machine learning, statistieken en datamining.Beslissingsbomen staan ook bekend als regressie- of classificatiebomen, afhankelijk van het doel waarvoor ze worden gebruikt.

Het proces van beslissingsboomleren omvat het overstappen van tak naar tak van informatie.Bij het bereiken van elk element, hetzij via computer of een persoon, moet worden bepaald of het van toepassing is op het doelitem.Nadat elke tak is onderzocht, kunnen de antwoorden worden gebruikt om de waarde te bepalen.

In wezen is beslissingsbomen leren het proces van het beantwoorden van vragen.Elk antwoord verplaatst het proces vooruit totdat er voldoende informatie is om een beslissing te nemen.Een eenvoudige boom kan bijvoorbeeld beginnen door te vragen welke van twee objecten te kopen.De ene vraag kan zich afvragen of het object nuttig is, terwijl een ander zou kunnen vragen of het ene item een betere prijs heeft dan het andere.Door al deze vragen te stellen, is het meestal mogelijk om te bepalen welke actie statistischer voordeliger is.

Decision Tree Learning onderzoekt ook subcategorieën.Het beantwoorden van de ene vraag kan naar de andere leiden.Dit kan ertoe leiden dat sommige takken veel subtakken hebben, terwijl anderen minder uitgebreid zijn omdat het gemakkelijk is om de vraag te beantwoorden.Door het proces op deze manier na te streven stelt de gebruiker in staat om een meer gedetailleerde beoordeling van het item te ontwikkelen.

Een ander mogelijk gebruik van beslissingsbomen is categorisatie.In plaats van dat elke vraag tot een enkele beslissing leidt, is een verzameling informatie verdeeld in verschillende gebieden, op basis van het antwoord voor elke tak.Nadat alle takken zijn gecategoriseerd, kan hetzelfde proces ook worden uitgevoerd op elke categorie.

Decision Tree Learning vordert meestal vanaf het hoogste niveau naar beneden.Het is niet de neiging om terug te traceren.Zodra een vraag volledig is beantwoord, is het meestal niet nodig om er opnieuw naar te verwijzen totdat de resultaten worden samengesteld.

De resultaten van beslissingsbomen kunnen op verschillende manieren worden uitgedrukt.Ze kunnen het antwoord zijn op een ja of nee -vraag of een nummer zoals een prijs of een periode van tijd.Resultaten kunnen ook de identiteit van een bepaald object onthullen en dus de klasse noemen waarin het hoort.