|
arbres de décision sont l' objet d'études universitaires intense dans les domaines de la recherche opérationnelle et de l'informatique . Bien que n'étant pas nécessairement la meilleure façon de structurer l'information nécessaire pour parvenir à une conclusion , arbres de décision fonctionnent bien avec des algorithmes informatiques standard pour aide à la décision . En outre, ils fournissent une méthode d'exprimer des règles métier d'une manière que les gens qui n'ont aucune expérience préalable avec les arbres de décision sont en mesure de suivre . Un arbre de décision est similaire à une carte de débit , ce qui permet la navigation à travers un parcours de choix jusqu'à la conclusion finale. Choses que vous devez
Données établies pour «apprendre » l'arbre,
Données établies pour tester résultant arbre
Voir Plus Instructions
1 obtenir les séries de données qui sera utilisée pour l'analyse et la vérification de l'arbre final . Plus de données utilisées dans l'analyse donneront une représentation arborescente plus précis du processus de décision. Il existe de nombreuses façons de créer et de structurer un arbre de décision . L'algorithme ID3 est une première approche sur laquelle variations plus sophistiquées ont été fondées .
2 liste de tous les attributs qui sont utilisés par l'ensemble de données . Par exemple, dans un ensemble de données de demande de prêt bancaire , le dossier de chaque candidat comprendra des attributs tels que les soldes de carte nom, l'adresse, le téléphone , le revenu , la valeur de la maison , des prêts hypothécaires , bancaires et de crédit .
Si vous créez manuellement un arbre de décision , naturellement exclure des attributs tels que le nom, que vous n'auriez pas s'attendre à influencer la décision d'accorder un prêt. Lors de l'utilisation des techniques d'exploration de données informatiques , tous les attributs sont considérés , en laissant le programme informatique pour déterminer celles qui n'ont aucun rapport avec le résultat final .
3 Spécifiez l'attribut est l'attribut cible. Dans l'exemple d'une demande de prêt, l'attribut cible est celui qui indique si le prêt a été accordé ou refusé.
4 Sélectionnez l'attribut à fournir le plus grand gain d'information pour l'utiliser comme nœud racine. L'arbre est constitué de nœuds de décision et les nœuds des feuilles. Au noeuds de décision , une branche est créée pour chaque valeur possible de l'attribut cible . Chaque branche représente les enregistrements de données qui partagent la même valeur pour l'attribut cible .
Un nœud feuille est atteint lorsque tous les enregistrements étant considérées au niveau du noeud courant ont le même résultat pour l'attribut cible . Dans l'exemple de prêt, si tout le monde qui fait une demande de prêt est approuvé , l' ensemble de l'arbre de décision est le cas trivial d'un nœud feuille unique sans branches. Il est plus probable que les données seront divisés en deux branches: . Approuvés et a nié
méthodes de calcul en sélectionnant l'attribut à utiliser à n'importe quel nœud de l'arbre sont extrêmement complexes . Cherchez l' attribut qui prédit le plus fortement le résultat cible. Intuitivement, «revenu» serait un meilleur candidat pour le nœud racine que «prénom ».
5 supprimer l'attribut racine de la liste des attributs potentiels à utiliser pour les noeuds de branche . Sélectionnez l'attribut reste avec le plus grand gain d'information pour attribuer aux nœuds de branche.
Dans l'exemple actuel , les nœuds des branches à chaque point dans l'arbre créent des succursales de prêts approuvés et refusés. Il peut y avoir un certain nombre de branches provenant d'un nœud de l'arbre de décision, selon le nombre de valeurs possibles peuvent être affectés à l'attribut cible .
6 Répétez le processus le long de chaque branche jusqu'à ce que vous ayez atteint une feuille nœud où toutes les données possédant la même valeur pour l'attribut cible. La profondeur maximale de l'arbre à n'importe quel moment sera le nombre total d'attributs identifiés au départ.
Il est probable que chaque attribut est pertinent à la décision dans chaque branche et ainsi de certaines branches sera plus courte . Une fois que vous avez terminé l'arbre, marcher à travers elle de trouver les règles qu'elle a établies . Par exemple, vous pourriez trouver que " un prêt sera approuvé si vous avez un revenu élevé, une épargne élevée et aucune dette . "
7 utiliser le jeu pour valider l'arbre créé de données de test. L'arbre devrait prévoir avec précision les résultats dans les nouvelles données.
|
