Wat leert Decision Tree?

Beslissingsboomleren gebruikt een voorspellend model met informatieve takken vergelijkbaar met een boom om aannames te verzamelen over en de waarde van een item te beoordelen. Het systeem wordt gebruikt voor machine learning, statistieken en datamining. Beslisbomen worden ook wel regressie- of classificatiebomen genoemd, afhankelijk van het doel waarvoor ze worden gebruikt.

Het proces van beslissingsboomleren omvat het verplaatsen van informatie naar informatie. Bij het bereiken van elk element, hetzij via een computer of een persoon, moet worden bepaald of dit van toepassing is op het doelitem. Nadat elke tak is verkend, kunnen de antwoorden worden gebruikt om de waarde te bepalen.

In essentie is het leren van beslissingsbomen het proces van het beantwoorden van vragen. Elk antwoord schuift het proces vooruit totdat er voldoende informatie is om een ​​beslissing te nemen. Een eenvoudige boom kan bijvoorbeeld beginnen met de vraag welke van twee objecten te kopen. De ene vraag kan vragen of het object nuttig is, terwijl een andere vraag kan stellen of het ene item een ​​betere prijs heeft dan het andere. Door al deze vragen te stellen, is het meestal mogelijk om te bepalen welke actie statistisch gezien voordeliger is.

Decision tree learning onderzoekt ook subcategorieën. Het beantwoorden van de ene vraag kan leiden tot een andere. Dit kan ertoe leiden dat sommige takken veel subtakken hebben, terwijl anderen minder uitgebreid zijn omdat het gemakkelijk is om de vraag te beantwoorden. Door het proces op deze manier voort te zetten, kan de gebruiker een meer gedetailleerde beoordeling van het item ontwikkelen.

Een ander mogelijk gebruik van beslisboomleren is categorisatie. In plaats van dat elke vraag tot een enkele beslissing leidt, is een verzameling informatie onderverdeeld in verschillende gebieden, op basis van het antwoord voor elke branche. Nadat alle branches zijn gecategoriseerd, kan hetzelfde proces ook op elke categorie worden uitgevoerd.

Het leren van beslissingsbomen verloopt meestal vanaf het hoogste niveau. Het neigt niet terug te gaan. Zodra een vraag volledig is beantwoord, hoeft u er meestal niet meer naar te verwijzen totdat de resultaten zijn samengesteld.

De resultaten van het leren van beslissingsbomen kunnen op verschillende manieren worden uitgedrukt. Ze kunnen het antwoord zijn op een ja of nee vraag of een nummer zoals een prijs of een tijdsperiode. Resultaten kunnen ook de identiteit van een bepaald object onthullen en zo de klasse noemen waartoe het behoort.