درخت تصمیم

درخت تصمیم گیری ( Decision Tree ) یک ابزار برای پشتیبانی از تصمیم است که از درخت ها برای مدل کردن استفاده می کند. درخت تصمیم به طور معمول در تحقیق ها و عملیات مختلف استفاده می شود. به طور خاص در آنالیز تصمیم، برای مشخص کردن استراتژی که با بیشترین احتمال به هدف برسد، بکار می رود. استفاده دیگر درختان تصمیم، توصیف محاسبات احتمال شرطی است.
در بازی بیست سؤالی، بازیکن باید یک درخت تصمیم در ذهن خود بسازد که به خوبی موارد را از هم جدا کند تا با کمترین سؤال به جواب برسد. در صورتی بازیکن به جواب می رسد که درخت ساخته شده بتواند به خوبی موارد را از هم جدا کند.
فرض کنید نمرات پارسال یک استاد به همکلاسی ها را داریم و می خواهیم قبول یا مردود شدن خود را تخمین بزنیم؛ بنابراین یک جدول می کشیم که در آن ویژگی هایی که همه همکلاسی ها دارند و برای ما مشخص هستند را فهرست می کنیم؛ ویژگی هایی مانند جنسیت، تأهل و اشتغال را می آوریم؛ بنابراین چنین نتیجه می شود:
• مؤنث => ۹۰ درصد قبول ( برگ )
• مذکر => ۵۰ درصد مردود ( تعیین کننده نیست ( از لحاظ آماری همگن است ) ، پس تصمیم را می شکنیم )
• مذکر + اشتغال => ۶۰ درصد مردود ( تقریباً همگن )
• مذکر + اشتغال + تأهل => ۸۵ درصد قبول ( برگ )
• مذکر + اشتغال + مجرد => ۷۰ درصد مردود ( برگ ( چون ویژگی دیگری نداریم ) )
در مجموعه داده گل زنبق، می خواهم نوع زنبقی را تخمین بزنم که بردار ویژگی آن x است؛ بنابراین در متلب:
clear all load fisheriris ; % بارگیری مجموعه داده گل زنبق iris_tree = fitctree ( meas, species ) ; % ایجاد درخت تصمیم view ( iris_tree, ' mode' , ' graph' ) % توضیح نمودار x=; % زنبق من disp ( predict ( iris_tree, x ) ) % نتیجه تصمیم کلیات در آنالیز تصمیم، یک درخت تصمیم به عنوان ابزاری برای به تصویر کشیدن و آنالیز تصمیم، در جایی که مقادیر مورد انتظار از رقابت ها متناوباً محاسبه می شود، استفاده می گردد. یک درخت تصمیم دارای سه نوع گره است:
• گره تصمیم: به طور معمول با مربع نشان داده می شود.
• گره تصادفی: با دایره مشخص می شود.
• گره پایانی: با مثلث مشخص می شود.
یک درخت تصمیم می تواند خیلی فشرده در قالب یک دیاگرام، توجه را بر روی مسئله و رابطه بین رویدادها جلب کند.
مربع نشان دهنده تصمیم گیری، بیضی نشان دهنده فعالیت، و لوزی نشان دهنده نتیجه است.