人工智能中的决策树：介绍、类型和创建

决策树是决策过程的外延表示。 人工智能中的决策树用于根据过去决策中的可用数据得出结论。 此外，这些结论被赋予了价值，用于预测未来可能采取的行动过程。

决策树是机器学习的统计算法模型，可以解释和学习各种问题的响应及其可能的后果。 因此，决策树根据可用数据了解特定上下文中的决策规则。 学习过程是连续的，并且基于反馈。 随着时间的推移，这会改善学习的结果。 这种学习称为监督学习。 因此，决策树模型是监督学习的支持工具。

因此，决策树提供了基于事实和价值而非直觉的科学决策过程。 在业务中，组织使用此流程来做出重要的业务决策。

学习世界顶尖大学的AI 和 ML 课程。 获得硕士、Executive PGP 或高级证书课程以加快您的职业生涯。

决策树模型的类型

根据需要预测的数据类型，这些模型可用于解决问题。 它们分为以下几类：

1. 连续变量的预测
2. 分类变量的预测

1. 连续变量的预测

连续变量的预测取决于一个或多个预测变量。 例如，一个地区的房屋价格可能取决于许多变量，例如地址、游泳池等便利设施的可用性、房间数量等。在这种情况下，决策树将根据各种变量来预测房屋的价格价值观。 预测值也将是一个变量值。

用于表示这些值的决策树模型称为连续变量决策树。 连续的各种决策树解决回归类型的问题。 在这种情况下，标记数据集用于预测连续、可变和编号的输出。

必读：如何创建完美的决策树

2. 分类变量的预测

分类变量的预测也基于其他分类或连续变量。 然而，这个问题不是预测一个值，而是关于将一​​个新的数据集分类到可用的数据集类中。 例如，分析 Facebook 上的评论以将文本分类为负面或支持。 根据患者的症状进行疾病诊断也是分类变量决策树模型的一个示例。 分类变量决策树解决了输出是类而不是值的分类类型问题。

签出： R中的决策树

人工智能中的决策树是如何创建的

顾名思义，决策树算法是树状结构的形式。 然而，它是颠倒的。 决策树从根节点或顶部决策节点开始，根据精心选择的属性值对数据集进行分类。

根节点代表整个数据集。 这是算法的第一步选择最佳预测变量的地方。 它使它成为一个决策节点。 它还将整个数据集分类为各种类别或较小的数据集。

用于选择属性的一组标准称为属性选择措施 (ASM)。 ASM 基于选择度量，包括信息增益、熵、基尼指数、增益比等。 这些属性，也称为特征，创建有助于分支的决策规则。 分支过程将根节点拆分为子节点，进一步拆分为更多的子节点，直到形成叶节点。 叶节点不能进一步划分。

确定给定图片是猫还是狗是分类的典型示例。 在这里，特征或属性可能是爪子或爪子的存在、耳朵的长度、舌头的类型等。数据集将根据这些输入变量进一步分成更小的类，直到获得结果。

另请阅读：决策树中的分类

结论

决策树是经典的自然学习模型。 它们基于分而治之的基本概念。 在人工智能的世界里，决策树被用来开发学习机器，教它们如何确定成功和失败。 这些学习机器然后分析传入的数据并存储它。

然后，他们根据过去的学习经验做出无数决定。 这些决策构成了预测建模的基础，有助于预测问题的结果。 在商业中，组织使用这些技术来做出无数的小型和大型商业决策，从而导致巨大的收益或损失。

查看 upGrad 的机器学习和 NLP 高级证书课程。 本课程的设计考虑到对机器学习感兴趣的各种学生，提供 1-1 指导等等。