Was ist ein Entscheidungsbaum
Für viele reale Probleme kann ein Entscheidungsbaum erstellt werden. In einem Entscheidungsbaum wird eine Frage gestellt (Entscheidungsknoten), und basierend auf der Antwort wird entweder eine Entscheidung getroffen (Blattknoten) oder es werden weitere Fragen gestellt (Entscheidungsknoten), und so weiter.
Hier ein Beispiel für einen Enten-/Nicht-Enten-Test:
Die Anwendung derselben Logik auf die Trainingsdaten ermöglicht die Ableitung eines der wichtigsten Algorithmen des maschinellen Lernens, der für sowohl Regressions- als auch Klassifikationsaufgaben eingesetzt werden kann. In diesem Kurs liegt der Fokus auf der Klassifikation.
Das folgende Video veranschaulicht die Funktionsweise:
Im obigen Video zeigt 'Classes' 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 wird angestrebt, die Trainingsdaten so zu unterteilen, dass die Datenpunkte jeder Klasse in ihren eigenen Blattknoten getrennt werden.
Ein Entscheidungsbaum bewältigt auch Multiklassen-Klassifikation problemlos:
Auch Klassifikation mit mehreren Merkmalen kann durch den Entscheidungsbaum verarbeitet werden. Jeder Entscheidungs-Knoten kann die Daten anhand beliebiger Merkmale aufteilen.
Im obigen Video wird der Trainingssatz mit StandardScaler skaliert. Dies ist für den Entscheidungsbaum nicht erforderlich. Er funktioniert ebenso gut mit den unskalierten Daten. Allerdings verbessert das Skalieren 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
Awesome!
Completion rate improved to 4.17Was ist ein Entscheidungsbaum
Swipe um das Menü anzuzeigen
Für viele reale Probleme kann ein Entscheidungsbaum erstellt werden. In einem Entscheidungsbaum wird eine Frage gestellt (Entscheidungsknoten), und basierend auf der Antwort wird entweder eine Entscheidung getroffen (Blattknoten) oder es werden weitere Fragen gestellt (Entscheidungsknoten), und so weiter.
Hier ein Beispiel für einen Enten-/Nicht-Enten-Test:
Die Anwendung derselben Logik auf die Trainingsdaten ermöglicht die Ableitung eines der wichtigsten Algorithmen des maschinellen Lernens, der für sowohl Regressions- als auch Klassifikationsaufgaben eingesetzt werden kann. In diesem Kurs liegt der Fokus auf der Klassifikation.
Das folgende Video veranschaulicht die Funktionsweise:
Im obigen Video zeigt 'Classes' 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 wird angestrebt, die Trainingsdaten so zu unterteilen, dass die Datenpunkte jeder Klasse in ihren eigenen Blattknoten getrennt werden.
Ein Entscheidungsbaum bewältigt auch Multiklassen-Klassifikation problemlos:
Auch Klassifikation mit mehreren Merkmalen kann durch den Entscheidungsbaum verarbeitet werden. Jeder Entscheidungs-Knoten kann die Daten anhand beliebiger Merkmale aufteilen.
Im obigen Video wird der Trainingssatz mit StandardScaler skaliert. Dies ist für den Entscheidungsbaum nicht erforderlich. Er funktioniert ebenso gut mit den unskalierten Daten. Allerdings verbessert das Skalieren die Leistung aller anderen Algorithmen, daher ist es ratsam, das Skalieren immer in die Vorverarbeitung aufzunehmen.
Danke für Ihr Feedback!
