Pohon Keputusan di AI: Pendahuluan, Jenis & Pembuatan

Pohon keputusan adalah representasi denotatif dari proses pengambilan keputusan. Pohon keputusan dalam kecerdasan buatan digunakan untuk sampai pada kesimpulan berdasarkan data yang tersedia dari keputusan yang dibuat di masa lalu. Selanjutnya, kesimpulan ini diberi nilai, digunakan untuk memprediksi tindakan yang mungkin diambil di masa depan.

Pohon keputusan adalah model pembelajaran mesin statistik dan algoritmik yang menafsirkan dan mempelajari respons dari berbagai masalah dan kemungkinan konsekuensinya. Akibatnya, pohon keputusan mengetahui aturan pengambilan keputusan dalam konteks tertentu berdasarkan data yang tersedia. Proses pembelajaran berlangsung terus menerus dan berdasarkan umpan balik. Ini meningkatkan hasil belajar dari waktu ke waktu. Pembelajaran seperti ini disebut pembelajaran terawasi. Oleh karena itu, model pohon keputusan adalah alat pendukung untuk pembelajaran yang diawasi.

Jadi, pohon keputusan menyediakan proses pengambilan keputusan ilmiah berdasarkan fakta dan nilai daripada intuisi. Dalam bisnis, organisasi menggunakan proses ini untuk membuat keputusan bisnis yang signifikan.

Pelajari Kursus AI dan ML dari Universitas top dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.

Jenis Model Pohon Keputusan

Model-model ini dapat digunakan untuk memecahkan masalah tergantung pada jenis data yang membutuhkan prediksi. Mereka termasuk dalam kategori berikut:

1. Prediksi variabel kontinu
2. Prediksi variabel kategori

1. Prediksi Variabel Kontinu

Prediksi variabel kontinu tergantung pada satu atau lebih prediktor. Misalnya, harga rumah di suatu daerah mungkin bergantung pada banyak variabel seperti alamat, ketersediaan fasilitas seperti kolam renang, jumlah kamar, dll. Dalam hal ini, pohon keputusan akan memprediksi harga rumah berdasarkan berbagai variabel. nilai-nilai. Nilai prediksi juga akan menjadi nilai variabel.

Model pohon keputusan yang digunakan untuk menunjukkan nilai tersebut disebut pohon keputusan variabel kontinu. Berbagai pohon keputusan terus menerus memecahkan masalah tipe regresi. Dalam kasus seperti itu, kumpulan data berlabel digunakan untuk memprediksi keluaran berkelanjutan, variabel, dan bernomor.

Harus Dibaca: Cara Membuat Pohon Keputusan yang Sempurna

2. Prediksi Variabel Kategoris

Prediksi variabel kategoris juga didasarkan pada variabel kategoris atau kontinu lainnya. Namun, alih-alih memprediksi nilai, masalah ini adalah tentang mengklasifikasikan kumpulan data baru ke dalam kelas kumpulan data yang tersedia. Misalnya, menganalisis komentar di Facebook untuk mengklasifikasikan teks sebagai negatif atau mendukung. Melakukan diagnosis penyakit berdasarkan gejala pasien juga merupakan contoh model pohon keputusan variabel kategori. Pohon keputusan variabel kategori memecahkan masalah tipe klasifikasi di mana outputnya adalah kelas, bukan nilai.

Lihat: Pohon Keputusan di R

Bagaimana Pohon Keputusan dalam Kecerdasan Buatan Diciptakan

Seperti namanya, algoritma pohon keputusan berbentuk struktur seperti pohon. Namun, itu terbalik. Pohon keputusan dimulai dari akar atau simpul keputusan teratas yang mengklasifikasikan kumpulan data berdasarkan nilai atribut yang dipilih dengan cermat.

Node akar mewakili seluruh dataset. Di sinilah langkah pertama dalam algoritma memilih variabel prediktor terbaik. Itu membuatnya menjadi simpul keputusan. Itu juga mengklasifikasikan seluruh dataset ke dalam berbagai kelas atau dataset yang lebih kecil.

Himpunan kriteria untuk memilih atribut disebut Attribute Selection Measures (ASM). ASM didasarkan pada ukuran seleksi, termasuk perolehan informasi, entropi, indeks Gini, rasio Gain, dan sebagainya. Atribut ini, juga disebut fitur, membuat aturan keputusan yang membantu dalam percabangan. Proses percabangan membagi node root menjadi sub-node, membelah lebih jauh menjadi lebih banyak sub-node sampai node daun terbentuk. Node daun tidak dapat dibagi lagi.

Menentukan apakah gambar yang diberikan adalah gambar kucing atau anjing adalah contoh tipikal klasifikasi. Di sini, fitur atau atribut dapat berupa keberadaan cakar atau cakar, panjang telinga, jenis lidah, dll. Dataset akan dipecah lebih lanjut menjadi kelas yang lebih kecil berdasarkan variabel input ini hingga diperoleh hasil.

Baca Juga : Klasifikasi Dalam Pohon Keputusan

Kesimpulan

Pohon keputusan adalah model pembelajaran klasik dan alami. Mereka didasarkan pada konsep dasar membagi dan menaklukkan. Dalam dunia kecerdasan buatan, pohon keputusan digunakan untuk mengembangkan mesin pembelajaran dengan mengajari mereka cara menentukan keberhasilan dan kegagalan. Mesin pembelajaran ini kemudian menganalisis data yang masuk dan menyimpannya.

Kemudian, mereka membuat keputusan yang tak terhitung banyaknya berdasarkan pengalaman belajar di masa lalu. Keputusan ini membentuk dasar untuk pemodelan prediktif yang membantu memprediksi hasil untuk masalah. Dalam bisnis, organisasi menggunakan teknik ini untuk membuat keputusan bisnis kecil dan besar yang tak terhitung banyaknya yang mengarah pada keuntungan atau kerugian raksasa.

Lihat Program Sertifikat Tingkat Lanjut Grad dalam Pembelajaran Mesin & NLP. Kursus ini telah dibuat dengan mengingat berbagai jenis siswa yang tertarik dengan Pembelajaran Mesin, menawarkan bimbingan 1-1 dan banyak lagi.