Що Таке Дерево Рішень
Для багатьох реальних задач можна побудувати дерево рішень. У дереві рішень ставиться запитання (вузол рішення), і залежно від відповіді ми або отримуємо рішення (листовий вузол), або ставимо додаткові запитання (вузол рішення), і так далі.
Ось приклад тесту "качка/не качка":
Застосування тієї ж логіки до навчальних даних дозволяє отримати один із найважливіших алгоритмів машинного навчання, який можна використовувати як для задач регресії, так і для задач класифікації. У цьому курсі основна увага приділяється класифікації.
Наступне відео ілюструє, як це працює:
У відео вище поле 'Classes' показує кількість зразків даних кожного класу у вузлі. Наприклад, кореневий вузол містить усі зразки даних (4 'cookies', 4 'not cookies'). Листовий вузол ліворуч містить лише 3 'not cookies'.
За допомогою кожного вузла рішення ми прагнемо розділити навчальні дані так, щоб точки даних кожного класу були відокремлені у власні листові вузли.
Дерево рішень також легко справляється з багатокласовою класифікацією:
Дерево рішень також може виконувати класифікацію з використанням декількох ознак. Тепер кожен вузол рішення може розділяти дані, використовуючи будь-яку з ознак.
У відео вище навчальний набір масштабується за допомогою StandardScaler. Це не є необхідним для дерева рішень. Воно працюватиме так само добре і з немасштабованими даними. Однак масштабування покращує продуктивність усіх інших алгоритмів, тому доцільно завжди додавати масштабування до попередньої обробки.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Чудово!
Completion показник покращився до 3.33Що Таке Дерево Рішень
Свайпніть щоб показати меню
Для багатьох реальних задач можна побудувати дерево рішень. У дереві рішень ставиться запитання (вузол рішення), і залежно від відповіді ми або отримуємо рішення (листовий вузол), або ставимо додаткові запитання (вузол рішення), і так далі.
Ось приклад тесту "качка/не качка":
Застосування тієї ж логіки до навчальних даних дозволяє отримати один із найважливіших алгоритмів машинного навчання, який можна використовувати як для задач регресії, так і для задач класифікації. У цьому курсі основна увага приділяється класифікації.
Наступне відео ілюструє, як це працює:
У відео вище поле 'Classes' показує кількість зразків даних кожного класу у вузлі. Наприклад, кореневий вузол містить усі зразки даних (4 'cookies', 4 'not cookies'). Листовий вузол ліворуч містить лише 3 'not cookies'.
За допомогою кожного вузла рішення ми прагнемо розділити навчальні дані так, щоб точки даних кожного класу були відокремлені у власні листові вузли.
Дерево рішень також легко справляється з багатокласовою класифікацією:
Дерево рішень також може виконувати класифікацію з використанням декількох ознак. Тепер кожен вузол рішення може розділяти дані, використовуючи будь-яку з ознак.
У відео вище навчальний набір масштабується за допомогою StandardScaler. Це не є необхідним для дерева рішень. Воно працюватиме так само добре і з немасштабованими даними. Однак масштабування покращує продуктивність усіх інших алгоритмів, тому доцільно завжди додавати масштабування до попередньої обробки.
Дякуємо за ваш відгук!
