حجم فایل : 250.0 KB نوع فایل : پاور پوینت تعداد اسلاید ها : 52 بنام خدا 3 فهرست مطالب مقدمه طراحي درخت تصميم گيري پرسش هاي مطرح براي درخت تصميم گيري (CART) الگوريتم يادگيري درخت ID3، C4.5 يادگيري افزايشي درخت هاي تصميم گيري کاربرد درخت هاي تصميم گيري|50684513|qcz34031775|کیو سی
در این پست قصد معرفی فایل آشنايي با درخت هاي تصميم گيري را داریم با ما همراه باشید.

⚡دانلود

حجم فایل : 250.0 KB
نوع فایل : پاور پوینت
تعداد اسلاید ها : 52
بنام خدا 3 فهرست مطالب
مقدمه
طراحي درخت تصميم گيري
پرسش هاي مطرح براي درخت تصميم گيري (CART)
الگوريتم يادگيري درخت ID3، C4.5
يادگيري افزايشي درخت هاي تصميم گيري
کاربرد درخت هاي تصميم گيري 4



مقدمه 5 مقدمه بردار ويژگي: دوتايي (X,Y) بيانگر بردار ويژگي (الگو) X است و Y برچسب كلاس مربوطه است. اجزاء X همان ويژگي‌هاي مورد نظر هستند.
الگوي مرتب: اگر ويژگي‌هاي X داراي مقاديري از يك مجموعه مرتب باشند، X را يك الگوي مرتب (orderd)يا عددي(numerical) مي‌ناميم .
الگوي حتمي: اگر ويژگي‌هاي بردار مقاديري اختيار كنند كه داراي ترتيب طبيعي نباشند، آن را يك الگوي حتمي (Categorical) مي‌نامند.
ويژگي‌هاي عددي (مرتب) ممكن است داراي مقادير گسسته يا پيوسته باشند.

روش هاي دسته بندي:
تك مرحله اي
چند مرحله اي
مقادير ويژگي ها:
پيوسته
گسسته
6 معرفي درخت تصميم گيري و برخي تعاريف مورد نياز نمايي از يك درخت تصميم گيري: 7 معرفي درخت تصميم گيري و برخي تعاريف مورد نياز ميانگين تعداد لايه‌ها از ريشه تا گره‌هاي پاياني را عمق متوسط مي‌ناميم.
ميانگين تعداد گره‌هاي مياني در هر سطح درخت عرض متوسط درخت ناميده مي‌شود.
اگر دو گره داخلي حداقل داراي يك كلاس مشترك باشند در اين حالت گفته مي‌شود كه كلاس‌ها داراي روي هم افتادگي (Overlap) هستند. 8 معرفي درخت تصميم گيري و برخي تعاريف مورد نياز نحوة انتساب كلاس به يك بردار ورودي در درخت تصميم گيري:
بردار ورودي در گره ريشه قرار مي گيريد.
بردار ورودي در هر گرهي كه قرار مي گيرد با توجه به ارزيابي انجام شده در يكي از شاخه ها پايين مي رود تا در يك برگ قرار بگيرد.
برچسب برگي كه گره در آن قرار مي گيرد به عنوان برچسب بردار برگردانده مي شود. 9 معرفي درخت تصميم گيري و برخي تعاريف مورد نياز مزايا:
قوانين توليد شده و به كارگرفته شده قابل استخراج و قابل فهم.
کار با داده هاي پيوسته و گسسته.
استفاده از نواحي تصميم گيري ساده.
حذف مقايسه هاي غيرضروري.
استفاده از ويژگي هاي متفاوت براي نمونه هاي مختلف.
احتياجي به تخمين تابع توزيع نيست. 10 معرفي درخت تصميم گيري و برخي تعاريف مورد نياز معايب:
در مواردي كه هدف تخمين تابعي با مقادير پيوسته است مناسب نيستند.
در موارد با تعداد كلاس زياد و نمونه آموزشي كم، احتمال خطا بالاست.
هزينه محاسباتي بالاي توليد درخت تصميم گيري.
هرس كردن درخت نيز هزينه بالايي دارد.
در مسائلي كه كلاس هاي ورودي با نواحي مكعبي به خوبي جدا نشوند خوب عمل نمي كنند.
زياد شدن گره پاياني در صورت روي هم افتادگي گره ها.
انباشته شدن خطاي لايه ها بر روي يكديگر.
طراحي درخت تصميم گيري بهينه مشكل است. 11



طراحي درخت تصميم...

جزییات بیشتر📜