Mikä on päätöspuu
Moniin tosielämän ongelmiin voidaan rakentaa päätöspuu. Päätöspuussa esitetään kysymys (päätössolmu), ja vastauksen perusteella joko tehdään päätös (lehtisolmu) tai esitetään lisää kysymyksiä (päätössolmu), ja niin edelleen.
Tässä esimerkki ankka/ei ankka -testistä:
Soveltamalla samaa logiikkaa opetusdataan voidaan johtaa yksi tärkeimmistä koneoppimisalgoritmeista, jota voidaan käyttää sekä regressio- että luokittelutehtäviin. Tässä kurssissa keskitymme luokitteluun.
Seuraava video havainnollistaa, miten se toimii:
Yllä olevassa videossa 'Classes' näyttää kunkin luokan tietonäytteiden määrän solmussa. Esimerkiksi juurisolmu sisältää kaikki tietonäytteet (4 'cookies', 4 'not cookies'). Ja vasemmanpuoleisessa lehtisolmussa on vain 3 'not cookies'.
Jokaisessa päätössolmussa pyritään jakamaan opetusdata siten, että jokaisen luokan datapisteet erotellaan omiin lehtisolmuihinsa.
Päätöspuu käsittelee myös moniluokkaluokittelun vaivattomasti:
Myös luokittelu useilla ominaisuuksilla onnistuu päätöspuulla. Nyt jokainen päätössolmu voi jakaa dataa minkä tahansa ominaisuuden perusteella.
Yllä olevassa videossa opetusjoukko skaalataan käyttäen StandardScaler-luokkaa. Tämä ei ole välttämätöntä päätöspuulle. Se toimii yhtä hyvin myös skaalaamattomalla datalla. Skaalaus kuitenkin parantaa kaikkien muiden algoritmien suorituskykyä, joten on hyvä tapa lisätä skaalaus aina esikäsittelyyn.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 4.17Mikä on päätöspuu
Pyyhkäise näyttääksesi valikon
Moniin tosielämän ongelmiin voidaan rakentaa päätöspuu. Päätöspuussa esitetään kysymys (päätössolmu), ja vastauksen perusteella joko tehdään päätös (lehtisolmu) tai esitetään lisää kysymyksiä (päätössolmu), ja niin edelleen.
Tässä esimerkki ankka/ei ankka -testistä:
Soveltamalla samaa logiikkaa opetusdataan voidaan johtaa yksi tärkeimmistä koneoppimisalgoritmeista, jota voidaan käyttää sekä regressio- että luokittelutehtäviin. Tässä kurssissa keskitymme luokitteluun.
Seuraava video havainnollistaa, miten se toimii:
Yllä olevassa videossa 'Classes' näyttää kunkin luokan tietonäytteiden määrän solmussa. Esimerkiksi juurisolmu sisältää kaikki tietonäytteet (4 'cookies', 4 'not cookies'). Ja vasemmanpuoleisessa lehtisolmussa on vain 3 'not cookies'.
Jokaisessa päätössolmussa pyritään jakamaan opetusdata siten, että jokaisen luokan datapisteet erotellaan omiin lehtisolmuihinsa.
Päätöspuu käsittelee myös moniluokkaluokittelun vaivattomasti:
Myös luokittelu useilla ominaisuuksilla onnistuu päätöspuulla. Nyt jokainen päätössolmu voi jakaa dataa minkä tahansa ominaisuuden perusteella.
Yllä olevassa videossa opetusjoukko skaalataan käyttäen StandardScaler-luokkaa. Tämä ei ole välttämätöntä päätöspuulle. Se toimii yhtä hyvin myös skaalaamattomalla datalla. Skaalaus kuitenkin parantaa kaikkien muiden algoritmien suorituskykyä, joten on hyvä tapa lisätä skaalaus aina esikäsittelyyn.
Kiitos palautteestasi!
