Hva er beslutningstreet læring?

Beslutningstreet læring bruker en prediktiv modell med informasjonsgrener som ligner et tre for å samle antagelser om og gjøre en vurdering av et vares verdi. Systemet brukes til maskinlæring, statistikk og data mining. Avgjørelsetrær er også kjent som regresjon eller klassifiseringstrær, avhengig av formålet de brukes til.

Prosessen med læring av beslutnings tre innebærer å flytte fra gren til gren av informasjon. Ved å nå hvert element, enten det er via datamaskin eller en person, må det avgjøres om det gjelder målelementet eller ikke. Når hver gren har blitt utforsket, kan svarene brukes til å bestemme verdi.

I hovedsak er læring av beslutnings tre prosessen med å svare på spørsmål. Hvert svar flytter prosessen frem til det er nok informasjon til å ta en beslutning. For eksempel kan et enkelt tre starte med å spørre hvilken av to objekter du skal kjøpe. Ett spørsmål kan spørre om objektet er nyttig, mens et annet kan spørre om den ene varen har en bedre pris enn den andre. Ved å stille alle disse spørsmålene er det vanligvis mulig å bestemme hvilken handling som er statistisk mer fordelaktig.

Beslutningstreet læring utforsker også underkategorier. Å svare på ett spørsmål kan føre til et annet. Dette kan føre til at noen grener har mange undergrener, mens andre er mindre omstendelige fordi det er lett å svare på spørsmålet. Forfølgelse av prosessen på denne måten gjør det mulig for brukeren å utvikle en mer detaljert vurdering av varen.

En annen mulig bruk av læring av beslutnings tre er kategorisering. I stedet for å få hvert spørsmål til en enkelt beslutning, blir en informasjonsdel delt inn i forskjellige områder, basert på svaret for hver gren. Når alle grener er blitt kategorisert, kan den samme prosessen også kjøres for hver kategori.

Beslutningstreet lærer vanligvis fremover fra øverste nivå og ned. Det pleier ikke å spore tilbake. Når et spørsmål er fullstendig besvart, er det vanligvis ikke nødvendig å henvise til det igjen før resultatene er samlet.

Resultatene av læring av beslutnings treer kan komme til uttrykk på en rekke måter. De kan være svaret på et ja eller nei spørsmål eller et tall som for eksempel en pris eller en periode. Resultater kan også avsløre identiteten til et bestemt objekt og dermed navngi klassen det hører hjemme i.