Innehållsförteckning:

Vilken typ av problem är bäst lämpad för beslutsträdsinlärning?
Vilken typ av problem är bäst lämpad för beslutsträdsinlärning?

Video: Vilken typ av problem är bäst lämpad för beslutsträdsinlärning?

Video: Vilken typ av problem är bäst lämpad för beslutsträdsinlärning?
Video: #19 Appropriate Problems For Decision Tree Learning |ML| 2024, Maj
Anonim

Lämplig Problem för Decision Tree Learning

Beslutsträdsinlärning är generellt bäst lämpad till problem med följande egenskaper: Förekomster representeras av attribut-värdepar. Det finns en ändlig lista med attribut (t.ex. hårfärg) och varje instans lagrar ett värde för det attributet (t.ex. blond)

Vad är då frågorna i beslutsträdsinlärning?

Praktiska frågor i lärandebeslutsträd inkluderar:

  • bestämma hur djupt beslutsträdet ska växa.
  • hantera kontinuerliga attribut.
  • att välja ett lämpligt attributvalsmått.
  • hantera träningsdata med saknade attributvärden.
  • hantera attribut med olika kostnader.

Man kan också fråga sig, vad är användningen av beslutsträd i maskininlärning? Beslutsträd är en icke-parametrisk övervakad inlärning metod Begagnade för båda klassificering och regressionsuppgifter. Målet är att skapa en modell som förutsäger värdet av en målvariabel med inlärning enkel beslut regler som härleds från datafunktionerna.

På så sätt, vilka är fördelarna och nackdelarna med beslutsträd?

Fördelar och nackdelar Är enkla att förstå och tolka. Människor kan förstå beslutsträd modeller efter en kort förklaring. Har värde även med lite hård data.

Vad är beslutsträd och exempel?

Beslutsträd är en typ av Supervised Machine Learning (det vill säga att du förklarar vad ingången är och vad motsvarande utdata är i träningsdatan) där data kontinuerligt delas upp enligt en viss parameter. Ett exempel av en beslutsträd kan förklaras med ovanstående binär träd.

Rekommenderad: