O Que É uma Árvore de Decisão
Para muitos problemas do mundo real, podemos construir uma Árvore de Decisão. Em uma Árvore de Decisão, fazemos uma pergunta (nó de decisão) e, com base na resposta, chegamos a uma decisão (nó folha) ou fazemos mais perguntas (nó de decisão), e assim por diante.
Aqui está um exemplo de teste de pato/não pato:
Aplicar a mesma lógica aos dados de treinamento permite derivar um dos algoritmos mais importantes de aprendizado de máquina, que pode ser utilizado tanto para tarefas de regressão quanto de classificação. Neste curso, o foco será em classificação.
O vídeo a seguir ilustra como funciona:
No vídeo acima, 'Classes' mostra o número de amostras de dados de cada classe em um nó. Por exemplo, o nó raiz contém todas as amostras de dados (4 'cookies', 4 'not cookies'). E o nó folha à esquerda possui apenas 3 'not cookies'.
Com cada nó de decisão, o objetivo é dividir os dados de treinamento de forma que os pontos de cada classe fiquem separados em seus próprios nós folha.
Uma Árvore de Decisão também lida facilmente com classificação multiclasse:
E a classificação com múltiplas características também pode ser tratada pela árvore de decisão. Agora, cada nó de decisão pode dividir os dados utilizando qualquer uma das características.
No vídeo acima, o conjunto de treinamento é padronizado usando StandardScaler. Isso não é necessário para a Árvore de Decisão. Ela terá o mesmo desempenho com os dados não padronizados. No entanto, a padronização melhora o desempenho de todos os outros algoritmos, então é recomendável sempre adicionar a padronização ao seu pré-processamento.
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 4.17O Que É uma Árvore de Decisão
Deslize para mostrar o menu
Para muitos problemas do mundo real, podemos construir uma Árvore de Decisão. Em uma Árvore de Decisão, fazemos uma pergunta (nó de decisão) e, com base na resposta, chegamos a uma decisão (nó folha) ou fazemos mais perguntas (nó de decisão), e assim por diante.
Aqui está um exemplo de teste de pato/não pato:
Aplicar a mesma lógica aos dados de treinamento permite derivar um dos algoritmos mais importantes de aprendizado de máquina, que pode ser utilizado tanto para tarefas de regressão quanto de classificação. Neste curso, o foco será em classificação.
O vídeo a seguir ilustra como funciona:
No vídeo acima, 'Classes' mostra o número de amostras de dados de cada classe em um nó. Por exemplo, o nó raiz contém todas as amostras de dados (4 'cookies', 4 'not cookies'). E o nó folha à esquerda possui apenas 3 'not cookies'.
Com cada nó de decisão, o objetivo é dividir os dados de treinamento de forma que os pontos de cada classe fiquem separados em seus próprios nós folha.
Uma Árvore de Decisão também lida facilmente com classificação multiclasse:
E a classificação com múltiplas características também pode ser tratada pela árvore de decisão. Agora, cada nó de decisão pode dividir os dados utilizando qualquer uma das características.
No vídeo acima, o conjunto de treinamento é padronizado usando StandardScaler. Isso não é necessário para a Árvore de Decisão. Ela terá o mesmo desempenho com os dados não padronizados. No entanto, a padronização melhora o desempenho de todos os outros algoritmos, então é recomendável sempre adicionar a padronização ao seu pré-processamento.
Obrigado pelo seu feedback!
