Che Cos'è un Albero Decisionale
Per molti problemi reali, è possibile costruire un Albero Decisionale. In un Albero Decisionale, si pone una domanda (nodo decisionale) e, in base alla risposta, si giunge a una decisione (nodo foglia) oppure si pongono ulteriori domande (nodo decisionale), e così via.
Ecco un esempio di test anatra/non anatra:
Applicando la stessa logica ai dati di addestramento, è possibile derivare uno degli algoritmi di apprendimento automatico più importanti, utilizzabile sia per compiti di regressione che di classificazione. In questo corso ci concentreremo sulla classificazione.
Il video seguente illustra il funzionamento:
Nel video sopra, 'Classi' mostra il numero di campioni di dati per ciascuna classe in un nodo. Ad esempio, il nodo radice contiene tutti i campioni di dati (4 'cookies', 4 'not cookies'). E il nodo foglia a sinistra ha solo 3 'not cookies'.
Ad ogni nodo decisionale, l'obiettivo è suddividere i dati di addestramento in modo che i punti dati di ciascuna classe siano separati in propri nodi foglia.
Un albero decisionale gestisce facilmente anche la classificazione multiclasse:
Anche la classificazione con più caratteristiche può essere gestita dall'albero decisionale. Ora ogni nodo decisionale può suddividere i dati utilizzando una qualsiasi delle caratteristiche.
Nel video sopra, il set di addestramento viene scalato utilizzando StandardScaler. Questo non è necessario per l'albero decisionale. Funzionerà altrettanto bene anche sui dati non scalati. Tuttavia, la scalatura migliora le prestazioni di tutti gli altri algoritmi, quindi è una buona pratica aggiungere sempre la scalatura nella fase di pre-elaborazione.
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 4.17Che Cos'è un Albero Decisionale
Scorri per mostrare il menu
Per molti problemi reali, è possibile costruire un Albero Decisionale. In un Albero Decisionale, si pone una domanda (nodo decisionale) e, in base alla risposta, si giunge a una decisione (nodo foglia) oppure si pongono ulteriori domande (nodo decisionale), e così via.
Ecco un esempio di test anatra/non anatra:
Applicando la stessa logica ai dati di addestramento, è possibile derivare uno degli algoritmi di apprendimento automatico più importanti, utilizzabile sia per compiti di regressione che di classificazione. In questo corso ci concentreremo sulla classificazione.
Il video seguente illustra il funzionamento:
Nel video sopra, 'Classi' mostra il numero di campioni di dati per ciascuna classe in un nodo. Ad esempio, il nodo radice contiene tutti i campioni di dati (4 'cookies', 4 'not cookies'). E il nodo foglia a sinistra ha solo 3 'not cookies'.
Ad ogni nodo decisionale, l'obiettivo è suddividere i dati di addestramento in modo che i punti dati di ciascuna classe siano separati in propri nodi foglia.
Un albero decisionale gestisce facilmente anche la classificazione multiclasse:
Anche la classificazione con più caratteristiche può essere gestita dall'albero decisionale. Ora ogni nodo decisionale può suddividere i dati utilizzando una qualsiasi delle caratteristiche.
Nel video sopra, il set di addestramento viene scalato utilizzando StandardScaler. Questo non è necessario per l'albero decisionale. Funzionerà altrettanto bene anche sui dati non scalati. Tuttavia, la scalatura migliora le prestazioni di tutti gli altri algoritmi, quindi è una buona pratica aggiungere sempre la scalatura nella fase di pre-elaborazione.
Grazie per i tuoi commenti!
