ツリー構造に基づく意思決定アルゴリズムとは

デシジョン ツリー (意思決定木) は、さまざまな状況の既知の発生確率に基づいて、正味現在価値の期待値がゼロ以上になる確率を見つける決定木を作成することによって、プロジェクトのリスクを評価し、実現可能性を判断する 意思決定分析手法は、確率分析を直感的に使用したグラフィカルな手法です。

この種の決定分岐は木の枝のように描かれるため、決定木と呼ばれます。機械学習における決定木は、オブジェクトの属性とオブジェクトの値の間のマッピング関係を表す予測モデルです。エントロピー = アルゴリズム ID3、C4.5、および C5.0 スパニング ツリー アルゴリズムを使用すると、システムがどの程度乱雑になるかがエントロピーを使用します。この尺度は、情報学理論におけるエントロピーの概念に基づいています。 (推奨学習: Web フロントエンド ビデオ チュートリアル)

デシジョン ツリーはツリー構造であり、各内部ノードが属性のテストを表し、各分岐がテスト出力を表します。 . 各リーフ ノードはカテゴリを表します。

分類ツリー (デシジョン ツリー) は、非常に一般的に使用される分類方法です。教師あり学習の一種であり、いわゆる教師あり学習では、多数のサンプルを与え、各サンプルには一連の属性とカテゴリがあり、これらのカテゴリは事前に決定されており、学習を通じて分類器を取得できます。この分類子は、新しい出現を分類できます。オブジェクトには正しい分類が与えられます。このような機械学習は教師あり学習と呼ばれます。

構成

xx——意思決定のポイントは、いくつかの可能なオプションの中から選択すること、つまり、最終的に最適なオプションを選択することです。意思決定がマルチレベルの意思決定である場合、意思決定ツリーの途中に複数の意思決定ポイントが存在する可能性があり、意思決定ツリーのルートにある意思決定ポイントが最終的な意思決定計画になります。

○——状態ノードは代替案の経済効果（期待値）を表し、各状態ノードの経済効果を比較することで、一定の判断基準に従って最適な選択肢を選択することができます。状態ノードから派生する分岐は確率分岐と呼ばれます。確率分岐の数は、発生する可能性のある自然状態の数を表します。状態の発生確率を各分岐に記録する必要があります。

△——結果ノード。さまざまな自然状態の下で各計画によって得られた損益の値を結果ノードの右端にマークします。

意思決定ツリーには 3 種類のノードが含まれます。

意思決定ノード: 通常、長方形のボックスで表されます。

機会ノード: 通常、円で表されます。

エンドポイント: 通常は三角形で表されます

デシジョン ツリー学習は、データ探索における一般的な方法でもあります。ここで、各決定木は、その枝を使用してこのタイプのオブジェクトをその属性に応じて分類するツリー構造を表します。各デシジョン ツリーは、データ テストのためにソース データベースの分割に依存できます。

このプロセスでは、ツリーを再帰的に枝刈りすることができます。再帰的プロセスは、これ以上分割ができなくなるか、単一のクラスを分岐に適用できるようになると完了します。さらに、ランダム フォレスト分類器は多くの決定木を組み合わせて分類の精度を向上させます。 ###

以上がツリー構造に基づく意思決定アルゴリズムとはの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。