결정 트리(Decision Tree)는 알려진 다양한 상황의 발생 확률을 기반으로 순현재가치의 기대값이 0보다 크거나 같을 확률을 찾기 위해 의사결정 트리를 구성하는 의사결정 분석 방법입니다. 프로젝트 위험을 평가하고 타당성을 결정하는 것은 확률 분석을 직관적으로 사용하는 그래픽 방법입니다.
이런 종류의 결정 가지가 나무 가지처럼 그려져 있다고 해서 결정 트리라고 합니다. 기계 학습에서 의사결정 트리는 객체 속성과 객체 값 간의 매핑 관계를 나타내는 예측 모델입니다. 엔트로피 = 시스템이 얼마나 지저분한지, 알고리즘 ID3, C4.5 및 C5.0 스패닝 트리 알고리즘을 사용하면 엔트로피를 사용합니다. 이 측정은 정보학 이론의 엔트로피 개념을 기반으로 합니다. (추천 학습: 웹 프론트엔드 동영상 튜토리얼)
결정 트리는 각 내부 노드가 속성에 대한 테스트를 나타내고, 각 분기가 테스트 출력을 나타내고, 각 리프 노드가 카테고리를 나타내는 트리 구조입니다.
분류 트리(의사결정 트리)는 매우 일반적으로 사용되는 분류 방법입니다. 일종의 지도 학습(supervised learning)으로, 여러 개의 샘플을 제공하는데, 각 샘플에는 일련의 속성과 카테고리가 있으며, 이러한 범주는 미리 결정되어 학습을 통해 분류기를 얻을 수 있습니다. . 이 분류자는 새로운 항목을 분류할 수 있습니다. 이러한 기계 학습을 지도 학습이라고 합니다.
는
□으로 구성됩니다 - 여러 가능한 옵션 중에서 선택하는 결정 지점, 즉 최종적으로 가장 좋은 옵션이 선택됩니다. 결정이 다단계 결정인 경우 결정 트리 중간에 여러 결정 지점이 있을 수 있으며, 결정 트리 루트에 있는 결정 지점이 최종 결정 계획입니다.
○——상태 노드는 대안의 경제적 효과(기대 가치)를 나타냅니다. 각 상태 노드의 경제적 효과를 비교하여 특정 의사 결정 기준에 따라 최상의 옵션을 선택할 수 있습니다. 상태 노드에서 파생된 분기를 확률 분기라고 합니다. 확률 분기의 수는 발생할 수 있는 가능한 자연 상태의 수를 나타냅니다. 각 분기에는 상태가 발생할 확률이 표시되어야 합니다.
Δ——결과 노드, 다양한 자연 상태에서 각 계획의 손익 가치를 결과 노드 오른쪽 끝에 표시합니다.
결정 트리에는 세 가지 유형의 노드가 포함됩니다.
결정 노드: 일반적으로 직사각형 상자로 표시
기회 노드: 일반적으로 원으로 표시
종료점: 일반적으로 삼각형으로 표시
결정 트리 학습 데이터 탐색의 일반적인 방법이기도 합니다. 여기에서 각 의사결정 트리는 해당 분기를 사용하여 속성에 따라 이 유형의 객체를 분류하는 트리 구조를 표현합니다. 각 의사결정 트리는 데이터 테스트를 위해 소스 데이터베이스 분할에 의존할 수 있습니다.
이 과정을 통해 나무를 재귀적으로 잘라낼 수 있습니다. 더 이상 나눌 수 없거나 분기에 별도의 클래스를 적용할 수 있으면 재귀 프로세스가 완료됩니다. 또한 Random Forest 분류기는 많은 의사결정 트리를 결합하여 분류의 정확도를 향상시킵니다.
위 내용은 트리구조를 기반으로 한 의사결정 알고리즘은 무엇인가?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!