- نواحی تصمیم پیچیده سراسری (خصوصا در فضاهای با ابعاد زیاد) می توانند با اجتماع نواحی تصميم محلی ساده تر، در سطوح مختلف درخت تقریب زده شوند.
- برخلاف دسته بندی کننده های تک مرحله ای رایج، که هر نمونه داده ای روی تمام دسته ها امتحان می شود، در یک دسته بند مبتنی بر درخت تصمیم، یک نمونه فقط روی زیرمجموعه های خاصی از دسته ها امتحان شده و محاسبات غیرضروری حذف خواهد شد.
- در دسته بندهای تک مرحله ای، فقط از زیر مجموعه ای از صفات، برای تفکیک بین دسته ها استفاده می شود که معمولا با یک معیار بهینه سراسری انتخاب خواهد شد. در دسته بندهای مبتنی بر درخت، انعطاف پذیری انتخاب زیرمجموعه های مختلفی از صفات در گره های داخلی مختلف درخت وجود دارد. به گونه ای که زیرمجموعه انتخاب شده به شکل بهینه، دسته های این گره را تفکیک می کند. این انعطاف پذیری ممکن است نسبت به دسته بندهای تک مرحله ای در کارایی بهبودی ایجاد کند.
مسائل مناسب برای یادگیری درخت تصمیم کدامند؟
مسائلی که در آنها نمونه هایی به شکل جفت های صفت-مقدار بازنمایی می شوند. مثال: صفت
دما - مقدار: {گرم، معتدل، خنک}
- مسائلی که در آنها تابع هدف، مقادیر خروجی گسسته دارد. مثال: خروجی یک تابع هدف
فرضی: { بلی، خیر}
هدف اصلی دسته بندهای مبتنی بر درخت تصمیم چیست؟
- دسته بندی صحیح نمونه های آموزشی تا حد امکان.
- عام سازی نمونه های آموزشی به شکلی که نمونه های دیده نشده بتوانند با دقت هرچه بیشتردسته بندی شوند.
- به روز رسانی آسان درخت، در صورت فراهم شدن نمونه های آموزشی جدید. - داشتن یک ساختار تا سر حد امکان ساده
داده کاوی کاربردی، صنیعی آباده
کپی برداری بدون ذکر منبع، براساس قانون جرایم اینترتی و مادۀ 12 فصل سوم قانون جرایم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است!
اگر در زمینه داده کاوی و الگوریتم درخت تصمیم گیری در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید. آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.
افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.