Vad är Beslutsträd
För många verkliga problem kan vi bygga ett beslutsträd. I ett beslutsträd ställer vi en fråga (beslutsnod), och baserat på svaret kommer vi antingen fram till ett beslut (bladnod) eller ställer fler frågor (beslutsnod), och så vidare.
Här är ett exempel på ett test för anka/inte anka:
Genom att tillämpa samma logik på träningsdata kan vi härleda en av de viktigaste algoritmerna inom maskininlärning, som kan användas för både regression och klassificering. I denna kurs kommer vi att fokusera på klassificering.
Följande video illustrerar hur det fungerar:
I videon ovan visar 'Classes' antalet dataprover av varje klass vid en nod. Till exempel innehåller rot-noden alla dataprover (4 'cookies', 4 'not cookies'). Och bladnoden till vänster har endast 3 'not cookies'.
Vid varje beslutspunkt strävar vi efter att dela upp träningsdatan så att datapunkterna för varje klass separeras till egna löv-noder.
Ett beslutsträd hanterar även multiklassklassificering utan problem:
Och klassificering med flera egenskaper kan också hanteras av beslutsträdet. Nu kan varje beslutspunkt dela upp datan med hjälp av vilken som helst av egenskaperna.
I videon ovan skalas träningsmängden med StandardScaler. Det är inte nödvändigt för beslutsträdet. Det fungerar lika bra på oskalad data. Men skalning förbättrar prestandan för alla andra algoritmer, så det är en bra idé att alltid lägga till skalning i din förbehandling.
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 4.17Vad är Beslutsträd
Svep för att visa menyn
För många verkliga problem kan vi bygga ett beslutsträd. I ett beslutsträd ställer vi en fråga (beslutsnod), och baserat på svaret kommer vi antingen fram till ett beslut (bladnod) eller ställer fler frågor (beslutsnod), och så vidare.
Här är ett exempel på ett test för anka/inte anka:
Genom att tillämpa samma logik på träningsdata kan vi härleda en av de viktigaste algoritmerna inom maskininlärning, som kan användas för både regression och klassificering. I denna kurs kommer vi att fokusera på klassificering.
Följande video illustrerar hur det fungerar:
I videon ovan visar 'Classes' antalet dataprover av varje klass vid en nod. Till exempel innehåller rot-noden alla dataprover (4 'cookies', 4 'not cookies'). Och bladnoden till vänster har endast 3 'not cookies'.
Vid varje beslutspunkt strävar vi efter att dela upp träningsdatan så att datapunkterna för varje klass separeras till egna löv-noder.
Ett beslutsträd hanterar även multiklassklassificering utan problem:
Och klassificering med flera egenskaper kan också hanteras av beslutsträdet. Nu kan varje beslutspunkt dela upp datan med hjälp av vilken som helst av egenskaperna.
I videon ovan skalas träningsmängden med StandardScaler. Det är inte nödvändigt för beslutsträdet. Det fungerar lika bra på oskalad data. Men skalning förbättrar prestandan för alla andra algoritmer, så det är en bra idé att alltid lägga till skalning i din förbehandling.
Tack för dina kommentarer!
