Qu'est-ce qu'un algorithme de prise de décision basé sur une structure arborescente

L'arbre de décision est basé sur la probabilité connue d'occurrence de diverses situations, en formant un arbre de décision pour trouver la probabilité que la valeur attendue de la valeur actuelle nette soit supérieure ou égale à zéro, évaluer les risques du projet, et déterminer sa faisabilité La méthode d'analyse décisionnelle est une méthode graphique qui utilise intuitivement l'analyse probabiliste.

Parce que ce type de branche de décision est dessiné comme les branches d'un arbre, on l'appelle un arbre de décision. En apprentissage automatique, un arbre de décision est un modèle de prédiction qui représente une relation de mappage entre les attributs d'un objet et ses valeurs. Entropie = Le degré de désordre du système, en utilisant l'algorithme ID3, les algorithmes Spanning Tree C4.5 et C5.0 utilisent l'entropie. Cette mesure est basée sur le concept d'entropie en théorie informatique. (Apprentissage recommandé : Tutoriel vidéo Web front-end)

L'arbre de décision est une structure arborescente, dans laquelle chaque nœud interne représente un test sur un attribut, et chaque branche représente une sortie de test Chaque nœud feuille représente une catégorie.

L'arbre de classification (arbre de décision) est une méthode de classification très couramment utilisée. C'est une sorte d'apprentissage supervisé. Ce qu'on appelle l'apprentissage supervisé consiste à donner un tas d'échantillons, chaque échantillon a un ensemble d'attributs et une catégorie. Ces catégories sont déterminées à l'avance, puis grâce à l'apprentissage, un classificateur peut être obtenu. . Ce classificateur peut classer les nouvelles occurrences. Les objets reçoivent la classification correcte. Un tel apprentissage automatique est appelé apprentissage supervisé.

se compose de

□ - le point de décision, qui est le choix de plusieurs options possibles, c'est-à-dire la meilleure option finalement sélectionnée. Si la décision est une décision à plusieurs niveaux, il peut y avoir plusieurs points de décision au milieu de l'arbre de décision, et le point de décision à la racine de l'arbre de décision est le plan de décision final.

○——Nœud d'état, représentant l'effet économique (valeur attendue) du plan alternatif. En comparant l'effet économique de chaque nœud de statut, le meilleur plan peut être sélectionné en fonction de certains critères de prise de décision. Les branches dérivées des nœuds d'état sont appelées branches de probabilité. Le nombre de branches de probabilité représente le nombre d'états naturels possibles qui peuvent se produire. La probabilité d'apparition de l'état doit être indiquée sur chaque branche.

△——Nœud de résultat, marquez la valeur des profits et des pertes de chaque plan sous différents états naturels à l'extrémité droite du nœud de résultat.

Un arbre de décision contient trois types de nœuds :

Nœuds de décision : généralement représentés par des cases rectangulaires

Nœuds d'opportunité : généralement représentés par des cercles Représente le

point final : généralement représenté par un triangle

L'apprentissage par arbre de décision est également une méthode courante dans l'exploration de données. Ici, chaque arbre de décision exprime une structure arborescente qui utilise ses branches pour classer les objets de ce type en fonction de leurs attributs. Chaque arbre de décision peut s'appuyer sur une division de la base de données source pour tester les données.

Ce processus peut élaguer l'arbre de manière récursive. Le processus récursif est terminé lorsqu'aucune division supplémentaire ne peut être effectuée ou qu'une classe distincte peut être appliquée à une branche. De plus, le classificateur forestier aléatoire combine de nombreux arbres de décision pour améliorer la précision de la classification.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!