Що таке дерево рішень
Для багатьох реальних задач можна побудувати дерево рішень. У дереві рішень ставиться запитання (вузол рішення), і залежно від відповіді або приймається рішення (листовий вузол), або ставляться 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 розділ 'Classes' показує кількість зразків даних кожного класу у вузлі. Наприклад, кореневий вузол містить усі зразки даних (4 'cookies', 4 'not cookies'). Листовий вузол зліва 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:
І класифікація з використанням декількох ознак також може бути виконана деревом рішень. Тепер кожен вузол рішення може розділяти дані, використовуючи будь-яку з ознак.
У відео вище навчальний набір масштабується за допомогою StandardScaler. Це не є обов'язковим для дерева рішень. Воно працюватиме так само добре і на немасштабованих даних. Проте 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
What are the main advantages of using decision trees for classification?
Can you explain how a decision tree handles multiple features in more detail?
How does a decision tree perform multiclass classification?
Awesome!
Completion rate improved to 4.17Що 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 або приймається рішення (листовий вузол), або ставляться 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 розділ 'Classes' показує кількість зразків даних кожного класу у вузлі. Наприклад, кореневий вузол містить усі зразки даних (4 'cookies', 4 'not cookies'). Листовий вузол зліва 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:
І класифікація з використанням декількох ознак також може бути виконана деревом рішень. Тепер кожен вузол рішення може розділяти дані, використовуючи будь-яку з ознак.
У відео вище навчальний набір масштабується за допомогою StandardScaler. Це не є обов'язковим для дерева рішень. Воно працюватиме так само добре і на немасштабованих даних. Проте масштабування покращує продуктивність усіх інших алгоритмів, тому доцільно завжди додавати масштабування до попередньої обробки.
Дякуємо за ваш відгук!
