درخت های تصمیم یک روش یادگیری با ناظر غیر پارامتری می باشد که برای کاربردهای دسته بندی و رگرسیون قابل استفاده هستند. هدف از آن ایجاد یک مدل بر اساس گره های تصمیم گیری می باشد. اساس کار یک درخت تصمیم، گره های تصمیم گیری (Decision Node) می باشند. ایده اصلی یک درخت تصمیم از طبیعت الهام گرفته شده است.
در شکل بالا یک درخت تصمیم ساده نشان داده شده است. این درخت تصمیم برای دسته بندی یک فرد بر اساس سه ویژگی ورزش و خوردن پیتزا و سن تشکیل شده است. خروجی این درخت تصمیم یکی از دو کلاس Fit و Unfit می باشد. از انواع درخت های تصمیم می توان C4.5 و C5 و Meta Decision Tree و Random Forest وJ48 را نام برد.
المانهای اصلی تشکیل دهنده یک درخت تصمیم :
Root Node (گره ریشه): اصلی ترین گره در درخت تصمیم می باشد و عملیات درخت تصمیم از این گره آغاز می شود.
Decision Node (گره تصمیم گیری): گره هایی که به چند بخش تقسیم می شوند و متناسب با اندازه متغییر ورودی یکی از دو مسیر را مشخص می کنند.
Leaf / Terminal Node (گره پایانی / برگ): گره های انتهایی یک درخت تصمیم هستند که اغلب مشخص کننده یکی از کلاسهای خروجی می باشند.
مزیت های درخت تصمیم :
- سادگی درک و تفسیر و نمایش
- امکان پیاده سازی سخت افزاری راحت
- قابلیت کار هم با داده های عددی و هم دسته بندی شده
- امکان مدلسازی مسئله های چند خروجی
- برعکس شبکه های عصبی که مثل یک جعبه سیاه هستند اما درخت تصمیم عملکرد آن به راحتی توسط شخص استفاده کننده، قابل درک است.
[button type=”big” color=”purple”] ارسال لینک های دانلود به ایمیل شما[/button]
این فیلم آموزشی اختصاص به پیاده سازی متلب درخت تصمیم دارد. این آموزش مناسب هر شخصی می باشد که می خواهد برنامه نویسی متلب درخت تصمیم را یاد بگیرد . شما به هیچ پیش نیاز ریاضی یا مهندسی برای این آموزش نیاز ندارید. به شما اطمینان می دهیم که از این آموزش نهایت لذت را ببرید.
محتوی این فیلم آموزشی :
در ابتدا مقداری تئوری درخت تصمیم گفته می شود، سپس برنامه نویسی مقدماتی با چندین مثال ساده شروع میشود و به مرور مثالهای کاملتری آموزش داده می شود. شما با نحوه نمایش یک درخت تصمیم در متلب هم آشنا می شوید. مثالهایی از cross-validation هم گفته می شود. عملیات هرس کردن pruning به صورت عملی در متلب پیاده سازی و مفهوم سطح هرس بیان می شود. سپس گزینه های قابل دسترس برای تنطمیمات درخت تصمیم در متلب گفته می شود و در نهایت نحوه بهینه سازی یک درخت تصمیم به صورت عملی در متلب آموزش داده می شود. همراه با این آموزش 13 کد متلب درخت تصمیم هم قرار دارد که در آموزش خط به خط آنها توضیح کامل داده شده است.
تعدادی از کدهای این آموزش را می توانید در GitHub ایران متلب مشاهده کنید:
https://github.com/PymatFlow/MATLABDecisionTree
پیش نمایش
مدت زمان : 214 دقیقه
درود بر شما عالی هست بسیار ممنون