Odlocitvena drevesa Flashcards

1
Q

Kaj so odločitvena drevesa in kako delujejo?

A

So algoritmi za nadzorovano učenje, ki podatke razvrstijo po drevesni strukturi na podlagi atributov.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Kako pri gradnji odločitvenega drevesa poteka metoda “Deli in vladaj”?

A

Metoda deli učno množico glede na najprimernejši atribut, dokler vsi objekti v podmnožici ne pripadajo istemu razredu.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Naštej nekaj primerov atributov, ki bi jih lahko uporabili pri odločitvenem drevesu za sprejemanje vremenskih odločitev.

A

Vreme, temperatura, vlaga, veter.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Kaj je hevristična funkcija in zakaj je pomembna pri gradnji odločitvenih dreves?

A

Hevristična funkcija oceni uporabnost atributov pri razdeljevanju množice; vodi k optimalnim delitvam.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Zakaj se za gradnjo odločitvenih dreves uporabljajo učne množice?

A

Učna množica omogoča, da drevo oblikuje pravila na podlagi resničnih primerov.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Kako se izračuna informacijski prispevek atributa (information gain) in zakaj je pomemben?

A

Izračuna se kot zmanjšanje entropije pri delitvi podatkov z atributom. Večji prispevek pomeni boljšo delitev.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Razloži, kako deluje metoda statične ocene napake pri naknadnem klestenju.

A

Vozlišče se ohrani le, če njegova napaka prispeva k zmanjšanju skupne napake drevesa.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Zakaj je pri diskretizaciji atributov pomembno upoštevati pozicijo učnih objektov v intervalu?

A

Upoštevanje pozicije omogoča natančno prilagoditev mej za diskretne intervale.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Pojasni postopek klestenja z zmanjševanjem napake (reduced error pruning).

A

Klestenje temelji na validacijski množici, kjer preverjamo, ali lahko poddrevese z večjo napako odstranimo.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Kako deluje metoda “leave-one-out” v kontekstu validacije pri odločitvenih drevesih?

A

Vsak objekt se posamično uporabi kot testni primer, ostali pa za učenje; ocena je povprečje uspešnosti vseh testov.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly