Qu'est-ce Qu'un Arbre de Décision

Pour de nombreux problèmes réels, nous pouvons construire un Arbre de Décision. Dans un Arbre de Décision, nous posons une question (Nœud de Décision), et en fonction de la réponse, nous arrivons soit à une décision (Nœud Feuille) soit nous posons d'autres questions (Nœud de Décision), et ainsi de suite.
Voici l'exemple pour un test canard/pas un canard.

Il s'avère que si nous appliquons la même logique aux données d'entraînement, nous obtiendrons l'un des algorithmes d'apprentissage automatique les plus importants qui peut être utilisé à la fois pour la régression et la classification. Dans ce cours, nous nous concentrerons sur la classification. La vidéo suivante montre comment cela fonctionne.

Remarque

Dans la vidéo ci-dessus, 'Classes' montre le nombre d'instances (également appelées échantillons) de chaque classe à un nœud. Par exemple, le nœud racine contient toutes les instances (4 'cookies', 4 'non cookies'). Et le nœud feuille à gauche n'a que 3 'non cookies'.

Avec chaque nœud de décision, nous essayons de diviser les données d'entraînement afin que les points de données de chaque classe soient séparés dans leurs propres nœuds feuilles.
Un arbre de décision gère également facilement la classification multiclasses :

Et la classification avec plusieurs caractéristiques peut également être gérée par l'arbre de décision. Maintenant, chaque nœud de décision peut diviser les données en utilisant n'importe laquelle des caractéristiques. Voici une vidéo avec un exemple :

Remarque

Dans la vidéo ci-dessus, l'ensemble d'entraînement est mis à l'échelle à l'aide de StandardScaler. Ce n'est pas nécessaire pour l'arbre de décision. Il fonctionnera tout aussi bien sur les données non mises à l'échelle. Mais la mise à l'échelle améliore les performances de tous les autres algorithmes, il est donc judicieux d'ajouter toujours la mise à l'échelle à votre prétraitement.