人工智能中的決策樹：介紹、類型和創建

決策樹是決策過程的外延表示。 人工智能中的決策樹用於根據過去決策中的可用數據得出結論。 此外，這些結論被賦予了價值，用於預測未來可能採取的行動過程。

決策樹是機器學習的統計算法模型，可以解釋和學習各種問題的響應及其可能的後果。 因此，決策樹根據可用數據了解特定上下文中的決策規則。 學習過程是連續的，並且基於反饋。 隨著時間的推移，這會改善學習的結果。 這種學習稱為監督學習。 因此，決策樹模型是監督學習的支持工具。

因此，決策樹提供了基於事實和價值而非直覺的科學決策過程。 在業務中，組織使用此流程來做出重要的業務決策。

學習世界頂尖大學的AI 和 ML 課程。 獲得碩士、Executive PGP 或高級證書課程以加快您的職業生涯。

決策樹模型的類型

根據需要預測的數據類型，這些模型可用於解決問題。 它們分為以下幾類：

1. 連續變量的預測
2. 分類變量的預測

1. 連續變量的預測

連續變量的預測取決於一個或多個預測變量。 例如，一個地區的房屋價格可能取決於許多變量，例如地址、游泳池等設施的可用性、房間數量等。在這種情況下，決策樹將根據各種變量來預測房屋的價格價值觀。 預測值也將是一個變量值。

用於表示這些值的決策樹模型稱為連續變量決策樹。 連續的各種決策樹解決回歸類型的問題。 在這種情況下，標記數據集用於預測連續、可變和編號的輸出。

必讀：如何創建完美的決策樹

2. 分類變量的預測

分類變量的預測也基於其他分類或連續變量。 然而，這個問題不是預測一個值，而是關於將一個新的數據集分類到可用的數據集類中。 例如，分析 Facebook 上的評論以將文本分類為負面或支持。 根據患者的症狀進行疾病診斷也是分類變量決策樹模型的一個示例。 分類變量決策樹解決了輸出是類而不是值的分類類型問題。

簽出： R中的決策樹

人工智能中的決策樹是如何創建的

顧名思義，決策樹算法是樹狀結構的形式。 然而，它是顛倒的。 決策樹從根節點或頂部決策節點開始，根據精心選擇的屬性值對數據集進行分類。

根節點代表整個數據集。 這是算法的第一步選擇最佳預測變量的地方。 它使它成為一個決策節點。 它還將整個數據集分類為各種類別或較小的數據集。

用於選擇屬性的一組標準稱為屬性選擇措施 (ASM)。 ASM 基於選擇度量，包括信息增益、熵、基尼指數、增益比等。 這些屬性，也稱為特徵，創建有助於分支的決策規則。 分支過程將根節點拆分為子節點，進一步拆分為更多的子節點，直到形成葉節點。 葉節點不能進一步劃分。

確定給定圖片是貓還是狗是分類的典型示例。 在這裡，特徵或屬性可能是爪子或爪子的存在、耳朵的長度、舌頭的類型等。數據集將根據這些輸入變量進一步分成更小的類，直到獲得結果。

另請閱讀：決策樹中的分類

結論

決策樹是經典的自然學習模型。 它們基於分而治之的基本概念。 在人工智能的世界裡，決策樹被用來開發學習機器，教它們如何確定成功和失敗。 這些學習機器然後分析傳入的數據並存儲它。

然後，他們根據過去的學習經驗做出無數決定。 這些決策構成了預測建模的基礎，有助於預測問題的結果。 在商業中，組織使用這些技術來做出無數的小型和大型商業決策，從而導致巨大的收益或損失。

查看 upGrad 的機器學習和 NLP 高級證書課程。 本課程的設計考慮到對機器學習感興趣的各種學生，提供 1-1 指導等等。