Hvad Er Beslutningstræ
For mange virkelige problemer kan vi opbygge et beslutningstræ. I et beslutningstræ stiller vi et spørgsmål (beslutningsknude), og baseret på svaret kommer vi enten frem til en beslutning (bladknude) eller stiller flere spørgsmål (beslutningsknude), og så videre.
Her er et eksempel på en and/ikke-and test:
Ved at anvende den samme logik på træningsdataene kan vi udlede en af de vigtigste maskinlæringsalgoritmer, som kan bruges til både regressions- og klassifikationsopgaver. I dette kursus vil vi fokusere på klassifikation.
Følgende video illustrerer, hvordan det fungerer:
I videoen ovenfor viser 'Classes' antallet af datasæt for hver klasse ved en knude. For eksempel indeholder rodknuden alle datasæt (4 'cookies', 4 'not cookies'). Og bladknuden til venstre har kun 3 'not cookies'.
Med hver beslutningsnode sigter vi mod at opdele træningsdataene, så datapunkterne for hver klasse adskilles i deres egne bladnoder.
Et beslutningstræ håndterer også multiklassifikation uden besvær:
Og klassifikation med flere funktioner kan også håndteres af beslutningstræet. Nu kan hver beslutningsnode opdele dataene ved hjælp af en hvilken som helst af funktionerne.
I videoen ovenfor er træningssættet skaleret ved hjælp af StandardScaler. Det er ikke nødvendigt for beslutningstræet. Det vil fungere lige så godt på uskalerede data. Men skalering forbedrer ydeevnen for alle andre algoritmer, så det er en god idé altid at tilføje skalering til din forbehandling.
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
What are the main advantages of using decision trees for classification?
Can you explain how a decision tree handles multiple features in more detail?
How does a decision tree perform multiclass classification?
Awesome!
Completion rate improved to 4.17Hvad Er Beslutningstræ
Stryg for at vise menuen
For mange virkelige problemer kan vi opbygge et beslutningstræ. I et beslutningstræ stiller vi et spørgsmål (beslutningsknude), og baseret på svaret kommer vi enten frem til en beslutning (bladknude) eller stiller flere spørgsmål (beslutningsknude), og så videre.
Her er et eksempel på en and/ikke-and test:
Ved at anvende den samme logik på træningsdataene kan vi udlede en af de vigtigste maskinlæringsalgoritmer, som kan bruges til både regressions- og klassifikationsopgaver. I dette kursus vil vi fokusere på klassifikation.
Følgende video illustrerer, hvordan det fungerer:
I videoen ovenfor viser 'Classes' antallet af datasæt for hver klasse ved en knude. For eksempel indeholder rodknuden alle datasæt (4 'cookies', 4 'not cookies'). Og bladknuden til venstre har kun 3 'not cookies'.
Med hver beslutningsnode sigter vi mod at opdele træningsdataene, så datapunkterne for hver klasse adskilles i deres egne bladnoder.
Et beslutningstræ håndterer også multiklassifikation uden besvær:
Og klassifikation med flere funktioner kan også håndteres af beslutningstræet. Nu kan hver beslutningsnode opdele dataene ved hjælp af en hvilken som helst af funktionerne.
I videoen ovenfor er træningssættet skaleret ved hjælp af StandardScaler. Det er ikke nødvendigt for beslutningstræet. Det vil fungere lige så godt på uskalerede data. Men skalering forbedrer ydeevnen for alle andre algoritmer, så det er en god idé altid at tilføje skalering til din forbehandling.
Tak for dine kommentarer!
