Arbre de décision en IA : introduction, types et création

Un arbre de décision est la représentation dénotative d'un processus de prise de décision. Les arbres de décision en intelligence artificielle sont utilisés pour arriver à des conclusions basées sur les données disponibles à partir de décisions prises dans le passé. De plus, ces conclusions sont des valeurs assignées, déployées pour prédire la ligne de conduite susceptible d'être prise à l'avenir.

Les arbres de décision sont des modèles statistiques et algorithmiques d'apprentissage automatique qui interprètent et apprennent les réponses à divers problèmes et leurs conséquences possibles. En conséquence, les arbres de décision connaissent les règles de prise de décision dans des contextes spécifiques en fonction des données disponibles. Le processus d'apprentissage est continu et basé sur la rétroaction. Cela améliore les résultats de l'apprentissage au fil du temps. Ce type d'apprentissage est appelé apprentissage supervisé. Par conséquent, les modèles d'arbres de décision sont des outils d'aide à l'apprentissage supervisé.

Ainsi, les arbres de décision fournissent un processus de prise de décision scientifique basé sur des faits et des valeurs plutôt que sur l'intuition. En affaires, les organisations utilisent ce processus pour prendre des décisions commerciales importantes.

Apprenez les cours d'IA et de ML des meilleures universités du monde. Gagnez des programmes de maîtrise, Executive PGP ou Advanced Certificate pour accélérer votre carrière.

Type de modèles d'arbre de décision

Ces modèles peuvent être utilisés pour résoudre des problèmes en fonction du type de données nécessitant une prédiction. Ils entrent dans les catégories suivantes :

1. Prédiction de variables continues
2. Prédiction des variables catégorielles

1. Prédiction des variables continues

La prédiction des variables continues dépend d'un ou plusieurs prédicteurs. Par exemple, les prix des maisons dans une zone peuvent dépendre de nombreuses variables telles qu'une adresse, la disponibilité d'équipements comme une piscine, le nombre de chambres, etc. Dans ce cas, l'arbre de décision prédira le prix d'une maison en fonction de diverses variables. valeurs. La valeur prédite sera également une valeur variable.

Le modèle d'arbre de décision utilisé pour indiquer ces valeurs est appelé arbre de décision à variable continue. Divers arbres de décision continus résolvent des problèmes de type régression. Dans de tels cas, des ensembles de données étiquetés sont utilisés pour prédire une sortie continue, variable et numérotée.

Doit lire: Comment créer un arbre de décision parfait

2. Prédiction des variables catégorielles

La prédiction des variables catégorielles est également basée sur d'autres variables catégorielles ou continues. Cependant, au lieu de prédire une valeur, ce problème consiste à classer un nouvel ensemble de données dans les classes d'ensembles de données disponibles. Par exemple, analyser un commentaire sur Facebook pour classer le texte comme négatif ou favorable. La réalisation d'un diagnostic de maladie sur la base des symptômes d'un patient est également un exemple de modèle d'arbre de décision à variable catégorielle. Les arbres de décision à variables qualitatives résolvent des problèmes de type classification où la sortie est une classe au lieu d'une valeur.

Découvrez : Arbre de décision dans R

Comment sont créés les arbres de décision en intelligence artificielle

Comme son nom l'indique, l'algorithme d'arbre de décision se présente sous la forme d'une structure arborescente. Pourtant, il est inversé. Un arbre de décision commence à partir de la racine ou du nœud de décision supérieur qui classe les ensembles de données en fonction des valeurs d'attributs soigneusement sélectionnés.

Le nœud racine représente l'ensemble de données complet. C'est là que la première étape de l'algorithme sélectionne la meilleure variable prédictive. Cela en fait un nœud de décision. Il classe également l'ensemble de données dans différentes classes ou ensembles de données plus petits.

L'ensemble de critères de sélection des attributs est appelé mesures de sélection d'attributs (ASM). L'ASM est basé sur des mesures de sélection, notamment le gain d'information, l'entropie, l'indice de Gini, le rapport de gain, etc. Ces attributs, également appelés fonctionnalités, créent des règles de décision qui facilitent la création de branches. Le processus de branchement divise le nœud racine en sous-nœuds, se divisant davantage en plusieurs sous-nœuds jusqu'à ce que des nœuds feuilles soient formés. Les nœuds feuilles ne peuvent pas être divisés davantage.

Déterminer si une image donnée est celle d'un chat ou d'un chien est un exemple typique de classification. Ici, les caractéristiques ou attributs peuvent être la présence de griffes ou de pattes, la longueur des oreilles, le type de langue, etc. L'ensemble de données sera ensuite divisé en classes plus petites en fonction de ces variables d'entrée jusqu'à ce que le résultat soit obtenu.

Lire aussi : Classification dans l'arbre de décision

Conclusion

Les arbres de décision sont des modèles d'apprentissage classiques et naturels. Ils sont basés sur le concept fondamental de diviser pour mieux régner. Dans le monde de l'intelligence artificielle, les arbres de décision sont utilisés pour développer des machines d'apprentissage en leur apprenant à déterminer le succès et l'échec. Ces machines d'apprentissage analysent ensuite les données entrantes et les stockent.

Ensuite, ils prennent d'innombrables décisions basées sur les expériences d'apprentissage passées. Ces décisions constituent la base de la modélisation prédictive qui aide à prédire les résultats des problèmes. En affaires, les organisations utilisent ces techniques pour prendre d'innombrables petites et grandes décisions commerciales entraînant des gains ou des pertes gigantesques.

Consultez le programme de certificat avancé d'upGrad en apprentissage automatique et en PNL. Ce cours a été conçu en gardant à l'esprit différents types d'étudiants intéressés par l'apprentissage automatique, offrant un mentorat 1-1 et bien plus encore.