Was ist ein Entscheidungsbaum
Für viele reale Probleme können wir einen Entscheidungsbaum erstellen. In einem Entscheidungsbaum wird eine Frage gestellt (Entscheidungsknoten), und basierend auf der Antwort treffen wir entweder eine Entscheidung (Blattknoten) oder stellen weitere Fragen (Entscheidungsknoten) und so weiter.
Hier ist ein Beispiel für einen Enten-/Nicht-Enten-Test:
Die Anwendung derselben Logik auf die Trainingsdaten ermöglicht es uns, einen der wichtigsten Algorithmen des maschinellen Lernens abzuleiten, der für sowohl Regressions- als auch Klassifikationsaufgaben verwendet werden kann. In diesem Kurs konzentrieren wir uns auf die Klassifikation.
Das folgende Video veranschaulicht, wie es funktioniert:
Im obigen Video zeigt 'Klassen' die Anzahl der Datenproben jeder Klasse an einem Knoten. Zum Beispiel enthält der Wurzelknoten alle Datenproben (4 'cookies', 4 'not cookies'). Und der Blattknoten ganz links enthält nur 3 'not cookies'.
Mit jedem Entscheidungs-Knoten versuchen wir, die Trainingsdaten so zu teilen, dass die Datenpunkte jeder Klasse in ihren eigenen Blattknoten getrennt werden.
Ein Entscheidungsbaum kann auch Multiklassen-Klassifikation problemlos verarbeiten:
Auch Klassifikation mit mehreren Merkmalen kann vom Entscheidungsbaum verarbeitet werden. Nun kann jeder Entscheidungs-Knoten die Daten anhand beliebiger Merkmale aufteilen.
Im obigen Video wird der Trainingssatz mit StandardScaler skaliert. Für den Entscheidungsbaum ist dies nicht notwendig. Er funktioniert genauso gut mit unskalierten Daten. Das Skalieren verbessert jedoch die Leistung aller anderen Algorithmen, daher ist es ratsam, das Skalieren immer in die Vorverarbeitung aufzunehmen.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Großartig!
Completion Rate verbessert auf 3.33Was ist ein Entscheidungsbaum
Swipe um das Menü anzuzeigen
Für viele reale Probleme können wir einen Entscheidungsbaum erstellen. In einem Entscheidungsbaum wird eine Frage gestellt (Entscheidungsknoten), und basierend auf der Antwort treffen wir entweder eine Entscheidung (Blattknoten) oder stellen weitere Fragen (Entscheidungsknoten) und so weiter.
Hier ist ein Beispiel für einen Enten-/Nicht-Enten-Test:
Die Anwendung derselben Logik auf die Trainingsdaten ermöglicht es uns, einen der wichtigsten Algorithmen des maschinellen Lernens abzuleiten, der für sowohl Regressions- als auch Klassifikationsaufgaben verwendet werden kann. In diesem Kurs konzentrieren wir uns auf die Klassifikation.
Das folgende Video veranschaulicht, wie es funktioniert:
Im obigen Video zeigt 'Klassen' die Anzahl der Datenproben jeder Klasse an einem Knoten. Zum Beispiel enthält der Wurzelknoten alle Datenproben (4 'cookies', 4 'not cookies'). Und der Blattknoten ganz links enthält nur 3 'not cookies'.
Mit jedem Entscheidungs-Knoten versuchen wir, die Trainingsdaten so zu teilen, dass die Datenpunkte jeder Klasse in ihren eigenen Blattknoten getrennt werden.
Ein Entscheidungsbaum kann auch Multiklassen-Klassifikation problemlos verarbeiten:
Auch Klassifikation mit mehreren Merkmalen kann vom Entscheidungsbaum verarbeitet werden. Nun kann jeder Entscheidungs-Knoten die Daten anhand beliebiger Merkmale aufteilen.
Im obigen Video wird der Trainingssatz mit StandardScaler skaliert. Für den Entscheidungsbaum ist dies nicht notwendig. Er funktioniert genauso gut mit unskalierten Daten. Das Skalieren verbessert jedoch die Leistung aller anderen Algorithmen, daher ist es ratsam, das Skalieren immer in die Vorverarbeitung aufzunehmen.
Danke für Ihr Feedback!
