โครงสร้างการตัดสินใจใน AI: บทนำ ประเภท และการสร้างสรรค์

โครงสร้างการตัดสินใจคือการแสดงตัวแทนของกระบวนการตัดสินใจ ต้นไม้แห่งการตัดสินใจในปัญญาประดิษฐ์ถูกนำมาใช้เพื่อให้ได้ข้อสรุปตามข้อมูลที่ได้จากการตัดสินใจในอดีต นอกจากนี้ ข้อสรุปเหล่านี้ยังได้รับการกำหนดค่า ซึ่งนำไปใช้เพื่อคาดการณ์แนวทางปฏิบัติที่น่าจะเกิดขึ้นในอนาคต

แผนผังการตัดสินใจเป็นแบบจำลองทางสถิติและอัลกอริทึมของแมชชีนเลิร์นนิงที่ตีความและเรียนรู้การตอบสนองจากปัญหาต่างๆ และผลที่ตามมา ด้วยเหตุนี้ ต้นไม้การตัดสินใจจึงรู้กฎของการตัดสินใจในบริบทเฉพาะตามข้อมูลที่มีอยู่ กระบวนการเรียนรู้เป็นไปอย่างต่อเนื่องและอิงตามข้อเสนอแนะ สิ่งนี้ช่วยปรับปรุงผลลัพธ์ของการเรียนรู้เมื่อเวลาผ่านไป การเรียนรู้ประเภทนี้เรียกว่าการเรียนรู้แบบมีผู้ดูแล ดังนั้น โมเดลแผนผังการตัดสินใจจึงเป็นเครื่องมือสนับสนุนสำหรับการเรียนรู้ภายใต้การดูแล

ดังนั้น ต้นไม้แห่งการตัดสินใจจึงเป็นกระบวนการตัดสินใจทางวิทยาศาสตร์โดยยึดตามข้อเท็จจริงและค่านิยมมากกว่าสัญชาตญาณ ในธุรกิจ องค์กรใช้กระบวนการนี้ในการตัดสินใจทางธุรกิจที่สำคัญ

เรียนรู้ หลักสูตร AI และ ML จากมหาวิทยาลัยชั้นนำของโลก รับ Masters, Executive PGP หรือ Advanced Certificate Programs เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

ประเภทของแบบจำลองแผนผังการตัดสินใจ

โมเดลเหล่านี้สามารถใช้แก้ปัญหาได้ขึ้นอยู่กับชนิดของข้อมูลที่ต้องการการทำนาย พวกเขาจัดอยู่ในหมวดหมู่ต่อไปนี้:

1. การทำนายตัวแปรต่อเนื่อง
2. การทำนายตัวแปรหมวดหมู่

1. การทำนายตัวแปรต่อเนื่อง

การทำนายตัวแปรต่อเนื่องขึ้นอยู่กับตัวทำนายอย่างน้อยหนึ่งตัว ตัวอย่างเช่น ราคาบ้านในพื้นที่อาจขึ้นอยู่กับตัวแปรหลายอย่าง เช่น ที่อยู่ ความพร้อมของสิ่งอำนวยความสะดวก เช่น สระว่ายน้ำ จำนวนห้อง เป็นต้น ในกรณีนี้ ต้นไม้ตัดสินใจจะทำนายราคาบ้านตามตัวแปรต่างๆ ค่านิยม ค่าที่คาดการณ์ไว้จะเป็นค่าตัวแปรด้วย

แบบจำลองแผนผังการตัดสินใจที่ใช้เพื่อระบุค่าดังกล่าวเรียกว่าแผนผังการตัดสินใจแบบตัวแปรต่อเนื่อง ต้นไม้การตัดสินใจต่างๆ อย่างต่อเนื่องแก้ปัญหาประเภทการถดถอย ในกรณีเช่นนี้ ชุดข้อมูลที่มีป้ายกำกับจะถูกใช้เพื่อคาดการณ์ผลลัพธ์ที่ต่อเนื่อง ตัวแปร และตัวเลข

ต้องอ่าน: วิธีสร้างโครงสร้างการตัดสินใจที่สมบูรณ์แบบ

2. การทำนายตัวแปรตามหมวดหมู่

การทำนายตัวแปรหมวดหมู่ยังขึ้นอยู่กับตัวแปรหมวดหมู่หรือตัวแปรต่อเนื่องอีกด้วย อย่างไรก็ตาม แทนที่จะคาดการณ์ค่า ปัญหานี้เกี่ยวกับการจัดประเภทชุดข้อมูลใหม่เป็นคลาสของชุดข้อมูลที่มีอยู่ ตัวอย่างเช่น การวิเคราะห์ความคิดเห็นบน Facebook เพื่อจัดประเภทข้อความว่าเชิงลบหรือสนับสนุน การดำเนินการวินิจฉัยการเจ็บป่วยตามอาการของผู้ป่วยยังเป็นตัวอย่างของแบบจำลองต้นไม้การตัดสินใจที่แปรผันตามหมวดหมู่ แผนผังการตัดสินใจแบบตัวแปรตามหมวดหมู่ช่วยแก้ปัญหาประเภทการจำแนกประเภทโดยที่เอาต์พุตเป็นคลาสแทนที่จะเป็นค่า

เช็คเอาท์: โครงสร้างการตัดสินใจใน R

วิธีสร้างต้นไม้ตัดสินใจในปัญญาประดิษฐ์

ตามชื่อที่แนะนำ อัลกอริธึมทรีการตัดสินใจจะอยู่ในรูปแบบของโครงสร้างที่เหมือนต้นไม้ ถึงกระนั้นมันก็กลับด้าน แผนผังการตัดสินใจเริ่มต้นจากรูทหรือโหนดการตัดสินใจระดับบนสุดที่จัดประเภทชุดข้อมูลตามค่าของแอททริบิวต์ที่เลือกอย่างระมัดระวัง

โหนดรูทแสดงถึงชุดข้อมูลทั้งหมด นี่คือที่ที่ขั้นตอนแรกในอัลกอริทึมจะเลือกตัวแปรตัวทำนายที่ดีที่สุด มันทำให้เป็นโหนดการตัดสินใจ นอกจากนี้ยังจัดประเภทชุดข้อมูลทั้งหมดเป็นคลาสต่างๆ หรือชุดข้อมูลที่มีขนาดเล็กลง

ชุดเกณฑ์สำหรับการเลือกแอตทริบิวต์เรียกว่าการวัดการเลือกแอตทริบิวต์ (ASM) ASM อิงตามการวัดผลการคัดเลือก ซึ่งรวมถึงการรับข้อมูล เอนโทรปี ดัชนี Gini อัตราส่วนเกน และอื่นๆ คุณลักษณะเหล่านี้ เรียกอีกอย่างว่าคุณลักษณะ สร้างกฎการตัดสินใจที่ช่วยในการแตกสาขา กระบวนการแตกแขนงแยกโหนดรูทออกเป็นโหนดย่อย โดยแยกออกเป็นโหนดย่อยเพิ่มเติมจนกว่าจะเกิดโหนดปลายสุด โหนดใบไม่สามารถแบ่งเพิ่มเติมได้

การพิจารณาว่าภาพที่กำหนดให้เป็นรูปแมวหรือสุนัขคือตัวอย่างทั่วไปของการจำแนกประเภท คุณลักษณะหรือคุณลักษณะอาจเป็นการมีอยู่ของกรงเล็บหรืออุ้งเท้า ความยาวของหู ประเภทของลิ้น ฯลฯ ชุดข้อมูลจะถูกแบ่งออกเป็นคลาสย่อยๆ ตามตัวแปรอินพุตเหล่านี้ จนกว่าจะได้ผลลัพธ์

อ่านเพิ่มเติม: การจำแนกประเภทในโครงสร้างการตัดสินใจ

บทสรุป

ต้นไม้แห่งการตัดสินใจเป็นรูปแบบการเรียนรู้ที่คลาสสิกและเป็นธรรมชาติ พวกเขาอยู่บนพื้นฐานของแนวคิดพื้นฐานของการแบ่งแยกและพิชิต ในโลกของปัญญาประดิษฐ์ ต้นไม้แห่งการตัดสินใจถูกนำมาใช้เพื่อพัฒนาเครื่องเรียนรู้โดยสอนวิธีกำหนดความสำเร็จและความล้มเหลวให้กับพวกเขา เครื่องเรียนรู้เหล่านี้จะวิเคราะห์ข้อมูลที่เข้ามาและจัดเก็บไว้

จากนั้นพวกเขาจึงตัดสินใจนับไม่ถ้วนจากประสบการณ์การเรียนรู้ในอดีต การตัดสินใจเหล่านี้เป็นพื้นฐานสำหรับการสร้างแบบจำลองการคาดการณ์ที่ช่วยทำนายผลลัพธ์สำหรับปัญหา ในธุรกิจ องค์กรต่างๆ ใช้เทคนิคเหล่านี้ในการตัดสินใจทางธุรกิจขนาดเล็กและขนาดใหญ่จำนวนนับไม่ถ้วน ซึ่งนำไปสู่ผลกำไรหรือขาดทุนมหาศาล

ชำระเงิน โปรแกรมใบรับรองขั้นสูงของ upGrad ในการเรียนรู้ของเครื่อง & NLP หลักสูตรนี้จัดทำขึ้นโดยคำนึงถึงนักเรียนหลายประเภทที่สนใจแมชชีนเลิร์นนิง โดยเสนอการให้คำปรึกษาแบบ 1-1 และอีกมากมาย