Hva er beslutningstre
For mange virkelige problemer kan vi bygge et beslutningstre. I et beslutningstre stiller vi et spørsmål (beslutningsnode), og basert på svaret kommer vi enten frem til en avgjørelse (bladnode) eller stiller flere spørsmål (beslutningsnode), og så videre.
Her er et eksempel på en and/ikke-and-test:
Ved å bruke samme logikk på treningsdataene kan vi utlede en av de viktigste maskinlæringsalgoritmene, som kan brukes til både regresjons- og klassifiseringsoppgaver. I dette kurset vil vi fokusere på klassifisering.
Følgende video illustrerer hvordan det fungerer:
I videoen over viser 'Classes' antall datasett for hver klasse i en node. For eksempel inneholder roten alle datasett (4 'cookies', 4 'not cookies'). Og bladnoden til venstre har kun 3 'not cookies'.
Ved hvert beslutningspunkt forsøker vi å dele treningsdataene slik at datapunktene for hver klasse blir separert i egne bladnoder.
Et beslutningstre håndterer også multiklasseklassifisering uten problemer:
Og klassifisering med flere egenskaper kan også håndteres av beslutningstreet. Nå kan hvert beslutningspunkt dele dataene ved å bruke hvilken som helst av egenskapene.
I videoen over blir treningssettet skalert ved hjelp av StandardScaler. Dette er ikke nødvendig for beslutningstreet. Det vil prestere like godt på uskalerte data. Men skalering forbedrer ytelsen til alle andre algoritmer, så det er lurt å alltid legge til skalering i forhåndsprosessen.
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 4.17Hva er beslutningstre
Sveip for å vise menyen
For mange virkelige problemer kan vi bygge et beslutningstre. I et beslutningstre stiller vi et spørsmål (beslutningsnode), og basert på svaret kommer vi enten frem til en avgjørelse (bladnode) eller stiller flere spørsmål (beslutningsnode), og så videre.
Her er et eksempel på en and/ikke-and-test:
Ved å bruke samme logikk på treningsdataene kan vi utlede en av de viktigste maskinlæringsalgoritmene, som kan brukes til både regresjons- og klassifiseringsoppgaver. I dette kurset vil vi fokusere på klassifisering.
Følgende video illustrerer hvordan det fungerer:
I videoen over viser 'Classes' antall datasett for hver klasse i en node. For eksempel inneholder roten alle datasett (4 'cookies', 4 'not cookies'). Og bladnoden til venstre har kun 3 'not cookies'.
Ved hvert beslutningspunkt forsøker vi å dele treningsdataene slik at datapunktene for hver klasse blir separert i egne bladnoder.
Et beslutningstre håndterer også multiklasseklassifisering uten problemer:
Og klassifisering med flere egenskaper kan også håndteres av beslutningstreet. Nå kan hvert beslutningspunkt dele dataene ved å bruke hvilken som helst av egenskapene.
I videoen over blir treningssettet skalert ved hjelp av StandardScaler. Dette er ikke nødvendig for beslutningstreet. Det vil prestere like godt på uskalerte data. Men skalering forbedrer ytelsen til alle andre algoritmer, så det er lurt å alltid legge til skalering i forhåndsprosessen.
Takk for tilbakemeldingene dine!
