درخت تصمیم

درخت تصمیم روشی برای نمایش یک سری از قوانین هستند که منتهی به یک رده یا مقدار می شوند. درخت های تصمیم از طریق جداسازی متوالی داده ها به گروه های مجزا ساخته می شوند و هدف در این فرآیند افزایش فاصله بین گروه ها در هر جداسازی است.

ساختار یک سیستم درختی شامل ریشه، گره های داخلی و برگ می باشد. ساختار برگ در طبقه بندی داده های ناشناخته استفاده می شود.

برای ارزیابی صفتی که توسعه درخت با کمک آن انجام می شود از روش ناخالصی نسبت افزایش استفاده می شود. برگ های درخت برچسب های کلاسی که اقلام داده در آن گروه بندی شده اند را می سازند.

فن طبقه بندی تصمیم درختی در دو فاز اجرا می شود: ساختن درخت و هرس کردن درخت. درخت از بالا به پایین ساخته می شود و در طول این فاز است که درخت به صورت بازگشتی همه اقلام داده های متعلق به برچسب کلاس یکسان را افراز می کند (هانس و همکاران، 1966).

اما هرس کردن درخت با روش از پایین به بالا دقت پیش بینی و طبقه بندی را بهبود می بخشد. برای این کار سعی می شود میزان برازش بیش از حد را در مرحله آموزشی به حداقل رساند (آموزش بیش از حد به این معنی است که در مرحله آموزش، نویزها و جزئیات موجود در داده ها نیز در یادگیری منظور شوند).

به بیان دیگر

-درخت ها در هوش مصنوعی برای نمایش مفاهیم مختلفی نظیر ساختار جملات، معادلات، حالات بازی و ... استفاده می شود.

-یادگیری درخت تصمیم روشی برای تقریب توابع هدف با مقادیر گسسته است. این روش نسبت به نویز داده ها مقاوم بوده و قادر است ترکیب فصلی گزاره های عطفی را یاد بگیرد.

-این روش جزو مشهورترین الگوریتم های یادگیری استقرائی است که به صورت موفقیت آمیزی در کاربردهای مختلف به کار گرفته شده است.

نمایش درخت تصمیم

-درخت تصمیم درختی است که در آن نمونه ها را به نحوی دسته بندی می کند که از ریشه به سمت پایین رشد می کنند و در نهایت به گره های برگ می رسد:

• هر گره داخلی یا غیر برگ با یک ویژگی مشخص می شود. این ویژگی، سؤالی را در رابطه با مثال ورودی مطرح می کند.
• در هر گره داخلی به تعداد جواب های ممکن با این سؤال شاخه وجود دارد که هر یک با مقدار آن جواب مشخص می شوند.
• برگ های این درخت با یک کلاس و با یک دسته از جواب ها مشخص می شوند.

-علت نامگذاری آن با درخت تصمیم این است که این درخت فرآیند تصمیم گیری برای تعیین دسته یک مثال ورودی را نشان می دهد.

کاربردها

-درخت تصمیم در مسایلی کاربرد دارد که بتوان آنها را به صورتی مطرح نمود که پاسخ واحدی به صورت نام یک دسته یا کلاس ارائه دهند.

-برای مثال می توان درخت تصمیمی ساخت که به این سؤال پاسخ دهد: بیماری مریض کدام است؟ آیا مریض به هپاتیت متلاست؟

-برای مسائلی مناسب است که مثال های آموزشی به صورت زوج (مقدار - ویژگی) مشخص شده باشند.

-تابع هدف دارای خروجی با مقادیر گسسته باشد. مثلاً هر مثال با بله و خیر تعیین شود.

-نیاز به توصیف گر فصلی باشد.

ویژگی های درخت تصمیم

-برای تقریب توابع گسسته به کار می رود.

-نسبت به نویز داده های ورودی مقاوم است.

-برای داده های با حجم بالا کاراست از این رو در داده کاوی استفاده می شود.

-می توان درخت را به صورت  اگر - آنگاه نمایش داد که قابل فهم برای استفاده است.

-امکان ترکیب عطفی و فصلی فرضیه ها را می دهد.

-در مواردی که مثال های آموزشی که فاقد همۀ ویژگی ها هستند نیز قابل استفاده است.