Odlocitvena drevesa Flashcards
Kaj so odločitvena drevesa in kako delujejo?
So algoritmi za nadzorovano učenje, ki podatke razvrstijo po drevesni strukturi na podlagi atributov.
Kako pri gradnji odločitvenega drevesa poteka metoda “Deli in vladaj”?
Metoda deli učno množico glede na najprimernejši atribut, dokler vsi objekti v podmnožici ne pripadajo istemu razredu.
Naštej nekaj primerov atributov, ki bi jih lahko uporabili pri odločitvenem drevesu za sprejemanje vremenskih odločitev.
Vreme, temperatura, vlaga, veter.
Kaj je hevristična funkcija in zakaj je pomembna pri gradnji odločitvenih dreves?
Hevristična funkcija oceni uporabnost atributov pri razdeljevanju množice; vodi k optimalnim delitvam.
Zakaj se za gradnjo odločitvenih dreves uporabljajo učne množice?
Učna množica omogoča, da drevo oblikuje pravila na podlagi resničnih primerov.
Kako se izračuna informacijski prispevek atributa (information gain) in zakaj je pomemben?
Izračuna se kot zmanjšanje entropije pri delitvi podatkov z atributom. Večji prispevek pomeni boljšo delitev.
Razloži, kako deluje metoda statične ocene napake pri naknadnem klestenju.
Vozlišče se ohrani le, če njegova napaka prispeva k zmanjšanju skupne napake drevesa.
Zakaj je pri diskretizaciji atributov pomembno upoštevati pozicijo učnih objektov v intervalu?
Upoštevanje pozicije omogoča natančno prilagoditev mej za diskretne intervale.
Pojasni postopek klestenja z zmanjševanjem napake (reduced error pruning).
Klestenje temelji na validacijski množici, kjer preverjamo, ali lahko poddrevese z večjo napako odstranimo.
Kako deluje metoda “leave-one-out” v kontekstu validacije pri odločitvenih drevesih?
Vsak objekt se posamično uporabi kot testni primer, ostali pa za učenje; ocena je povprečje uspešnosti vseh testov.
