วิธีการสร้างแผนภูมิการตัดสินใจที่สมบูรณ์แบบ | อัลกอริทึมแผนผังการตัดสินใจ [พร้อมตัวอย่าง]

หากคุณสงสัยว่า 'จะสร้างแผนภูมิการตัดสินใจได้อย่างไร' หรือ 'ฉันจะสร้างแผนผังการตัดสินใจใน Java ได้อย่างไร' คุณมาถูกที่แล้ว ในบทความนี้ เราจะพบคำตอบสำหรับคำถามดังกล่าว ในขณะที่เราจะพูดถึงโครงสร้างการตัดสินใจโดยละเอียด คุณจะพบว่ามันคืออะไร ทำไมมันถึงได้รับความนิยม และคุณจะสร้างมันขึ้นมาได้อย่างไร

ก่อนที่คุณจะสร้างแผนผังการตัดสินใจ คุณต้องคุ้นเคยกับหัวข้ออื่นๆ อีกหลายหัวข้อ เช่น การถดถอยเชิงเส้นและอัลกอริทึม

อ่านเพิ่มเติม: โครงสร้างการตัดสินใจใน R

ต้นไม้การตัดสินใจคืออะไร?

โครงสร้างการตัดสินใจจะแสดงแผนที่ของผลลัพธ์ที่เป็นไปได้ทั้งหมดของการเลือกเฉพาะ สามารถช่วยคุณวางแผนการดำเนินการในอนาคตภายใต้สถานการณ์ต่างๆ ตามตัวเลือกต่างๆ คุณสามารถเปรียบเทียบผลลัพธ์ที่เป็นไปได้เหล่านี้โดยพิจารณาจากความน่าจะเป็นและต้นทุน

ตามชื่อที่แนะนำ โครงสร้างการตัดสินใจจะแสดงกราฟที่คล้ายกับต้นไม้ เป็นแบบอย่างของการตัดสินใจ ควบคู่ไปกับผลลัพธ์และผลที่ตามมาของแต่ละคน เป้าหมายสูงสุดคือการช่วยให้คุณจัดประเภทได้อย่างถูกต้องในขณะที่ทำการเลือกจำนวนน้อยที่สุดเท่าที่จะเป็นไปได้

คุณสามารถแสดงฟังก์ชันบูลีนโดยใช้แผนผังการตัดสินใจได้เช่นกัน โหนดปลายสุดแต่ละโหนดของแผนผังการตัดสินใจเป็นเลเบลคลาส และโหนดภายในของทรีแสดงแอตทริบิวต์ พวกเขาเริ่มต้นด้วยโหนดเดียวแล้วแยกออกเป็นความเป็นไปได้ทั้งหมด ทุกสาขาเหล่านี้นำไปสู่โหนดเพิ่มเติมที่แสดงถึงผลที่เป็นไปได้อื่น ๆ คุณสามารถสร้างแผนผังการตัดสินใจใน Java

โครงสร้างการตัดสินใจมีโหนดหลายประเภท:

• โหนดการตัดสินใจ
• โหนดโอกาส
• โหนดปลาย

โหนดปลายสุดสะท้อนผลลัพธ์สุดท้ายของเส้นทางการตัดสินใจ ในขณะที่โหนดโอกาสแสดงโอกาสของผลลัพธ์เฉพาะ โหนดการตัดสินใจระบุการตัดสินใจที่คุณจะนำไปสู่ผลลัพธ์ที่เป็นไปได้ คุณสามารถใช้แผนผังการตัดสินใจเพื่อแมปการคาดการณ์อัลกอรึทึมและตัดสินใจอย่างไม่เป็นทางการได้

เมื่อคุณคุ้นเคยกับโครงสร้างการตัดสินใจแล้ว เราควรมุ่งเน้นไปที่การขุดลึกลงไปอีกเล็กน้อยและทำความเข้าใจว่าทำไมจึงแพร่หลาย มาดำดิ่งกัน

การประยุกต์ใช้โครงสร้างการตัดสินใจ

ต่อไปนี้คือการประยุกต์ใช้แผนผังการตัดสินใจบางส่วน เพื่อให้คุณเห็นว่าแพร่หลายมากน้อยเพียงใด:

• ธนาคารใช้เพื่อจัดประเภทการขอสินเชื่อ
• ผู้เชี่ยวชาญด้านการเงินใช้แผนผังการตัดสินใจสำหรับการกำหนดราคาตัวเลือก
• แบ่งประเภทข้อสอบตามระดับความเชี่ยวชาญของผู้สมัคร
• การเลือกว่าจะรับหรือปฏิเสธข้อเสนองาน
• การตัดสินใจทางธุรกิจที่สำคัญ เช่น บริษัทควรปรับเปลี่ยนผลิตภัณฑ์ของตนหรือไม่

คุณต้องใช้ต้นไม้แห่งการตัดสินใจด้วยตัวเองในการตัดสินใจเลือกต่างๆ ในชีวิตของคุณ แค่มีบางสถานการณ์ที่คุณต้องทำการตัดสินใจที่สลับซับซ้อน

ข้อดีของโครงสร้างการตัดสินใจ

มีข้อดีหลายประการในการใช้แผนผังการตัดสินใจ นี่คือพวกเขา:

• ต้นไม้แห่งการตัดสินใจสร้างกฎที่คุณเข้าใจได้ง่าย คุณจะไม่มีปัญหาในการถ่ายทอดกฎเหล่านั้นไปยังระบบอื่น
• สามารถจัดการได้ทั้งตัวแปรตามหมวดหมู่และตัวแปรต่อเนื่อง
• โครงสร้างการตัดสินใจจะให้ตัวบ่งชี้ง่ายๆ แก่คุณเกี่ยวกับความสำคัญของทุกฟิลด์ คุณสามารถคาดการณ์ (หรือการจัดหมวดหมู่) ได้อย่างง่ายดายตามเดียวกัน
• โครงสร้างการตัดสินใจยังทำการเลือกคุณสมบัติโดยปริยายซึ่งจะช่วยคุณในการสำรวจข้อมูล

เรียนรู้เพิ่มเติม: อัลกอริธึมปัญญาประดิษฐ์

ข้อเสียของโครงสร้างการตัดสินใจ

ทุกอย่างมีข้อบกพร่อง และต้นไม้แห่งการตัดสินใจก็ไม่มีข้อยกเว้น ต่อไปนี้คือปัญหาบางประการในการใช้งาน:

• แผนผังการตัดสินใจไม่มีประโยชน์สำหรับการดำเนินการประเมิน นั่นเป็นเพราะว่างานดังกล่าวต้องการการคาดคะเนค่าของแอตทริบิวต์ที่ต่อเนื่องกัน และแผนผังการตัดสินใจก็ทำได้ไม่ดีนัก
• ในการคำนวณ ต้นไม้แห่งการตัดสินใจมีราคาแพงกว่าตัวเลือกอื่นๆ คุณจะต้องเสียค่าใช้จ่ายจำนวนมากในการฝึกแบบจำลองแผนผังการตัดสินใจเมื่อเปรียบเทียบกับรุ่นอื่นๆ อัลกอริธึมการตัดแต่งกิ่งที่คุณใช้ในการตัดสินใจต้นไม้ก็ค่อนข้างแพงเช่นกัน เนื่องจากต้องใช้ในการสร้างแผนผังย่อยจำนวนมาก
• หากคุณมีตัวอย่างคลาสจำนวนมาก แต่มีตัวอย่างการฝึกจำนวนน้อย โครงสร้างการตัดสินใจของคุณก็จะไม่แม่นยำมากนัก และโอกาสในการเกิดข้อผิดพลาดก็สูงมากเช่นกัน

วิธีสร้างโครงสร้างการตัดสินใจ

มาสร้างแผนผังการตัดสินใจกันว่าจะมีคนซื้อคอมพิวเตอร์หรือไม่ ในกรณีนี้ เราจะมีสองคลาสคือ 'ใช่' และ 'ไม่ใช่' ชั้นหนึ่งหมายถึงคนที่จะซื้อคอมพิวเตอร์ในขณะที่ชั้นที่สองหมายถึงผู้ที่ไม่ต้องการ อันดับแรก เราจะคำนวณข้อมูลที่ได้รับและเอนโทรปีสำหรับคลาสเหล่านี้

เมื่อเราคำนวณเอนโทรปีของคลาสเหล่านี้แล้ว เราจะเน้นที่การรับข้อมูล เราสามารถจำแนกค่าของเอนโทรปีได้ดังนี้:

ถ้าเอนโทรปีเป็น 0 แสดงว่าข้อมูลบริสุทธิ์ (เป็นเนื้อเดียวกัน)

ถ้าเอนโทรปีเป็น 1 แสดงว่าข้อมูลไม่บริสุทธิ์ (แบ่งครึ่ง)

สมมุติว่าเอนโทรปีของเราไม่บริสุทธิ์ จากนั้นเราจะแบ่งข้อมูลที่ได้รับตามอายุ ด้วยวิธีนี้ ข้อมูลของเราจะแสดงจำนวนคนในกลุ่มอายุที่เฉพาะเจาะจงที่จะซื้อผลิตภัณฑ์นี้ และจำนวนที่จะไม่ซื้อ เราสามารถคำนวณการรับข้อมูลสำหรับแอตทริบิวต์หลายรายการ แต่ในตัวอย่างของเรา เราพบว่าข้อมูลที่ได้มาสูงที่สุดสำหรับ 'อายุ' และต่ำสุดสำหรับ 'รายได้' ดังนั้นเราจะไปกับมัน

ต่อไปนี้คือกฎการจัดหมวดหมู่สำหรับโครงสร้างการตัดสินใจนี้:

หากบุคคลใดอายุน้อยกว่า 30 ปี และหากบุคคลนั้นไม่ใช่นักเรียน พวกเขาจะไม่ซื้อสินค้าดังกล่าว:

อายุ (<30) ^ นักเรียน(ไม่) = ไม่

แต่ถ้าใครที่อายุน้อยกว่า 30 ปีและเป็นนักเรียนเขาจะซื้อผลิตภัณฑ์:

อายุ (<30)^ นักเรียน(ใช่) = ใช่

ตอนนี้ ถ้าอายุระหว่าง 31 ถึง 40 ปี พวกเขาจะซื้อสินค้านี้อย่างแน่นอน:

อายุ (31…40) = ใช่

บุคคลที่มีอายุมากกว่า 40 ปีและมีอันดับเครดิตสูงจะไม่ซื้อ:

อายุ(>40)^ credit_rating(สูง) = ไม่

ในทางกลับกัน ถ้าผู้ที่มีอายุมากกว่า 40 ปีแต่มีอันดับเครดิตเฉลี่ย เขาหรือเธอจะซื้อสินค้า:

อายุ(>40)^ credit_rating(ปกติ) = ใช่

เมื่อทำตามขั้นตอนเหล่านี้ คุณจะสามารถสร้างโครงสร้างการตัดสินใจที่สมบูรณ์แบบได้โดยไม่ ยาก

เรียนรู้เพิ่มเติมเกี่ยวกับ: ไลบรารีการเรียนรู้ของเครื่อง 9 อันดับแรกที่คุณควรรู้เกี่ยวกับ

บทสรุป

ตอนนี้คุณต้องรู้วิธีสร้างโครงสร้างการตัดสินใจ คุณสามารถเรียนรู้เพิ่มเติมมากมายเกี่ยวกับแผนผังการตัดสินใจและอัลกอริทึมที่เกี่ยวข้องในหลักสูตรการเรียนรู้ของเครื่อง เรามั่นใจว่าคุณจะต้องเพิ่มพูนความรู้ของคุณที่นั่น เพราะคุณจะได้เรียนรู้วิธีสร้างแผนผังการตัดสินใจใน Java วิธีใช้งานในชีวิตจริง และอื่นๆ

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิง โปรดดูที่ IIIT-B & upGrad's PG Diploma in Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมที่เข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษาและการมอบหมายมากกว่า 30 รายการ IIIT- สถานะศิษย์เก่า B, 5+ โครงการหลักที่ใช้งานได้จริง & ความช่วยเหลือด้านงานกับบริษัทชั้นนำ