روش های درخت تصمیم گیری، کاربردهای آن در طبقه بندی و پیش بینی

خلاصه: روش درخت تصمیم گیری، رایج ترین روش کاوش داده ها است که برای استقرار سیستم های طبقه بندی بر اساس کوواریانس یا برای الگوریتم های پیش بینی برای متغیر هدف استفاده می شود. این روش یک جمعیت را به بخش های شاخه مانندی تقسیم می کند که یک درخت معکوس را با یک گره ریشه، گره های درونی و گره های برگ می سازد. این الگوریتم غیر پارامتریک است و می تواند به صورتی کارآمد با مجموعه داده های پیچیده، بزرگ سروکار داشته باشد بدون آنکه یک ساختار پارامتریک پیچیده را تحمیل کند. وقتی اندازه نمونه به اندازه کافی بزرگ باشد، مطالعه داده ها می تواند به مجموعه داده های اعتبارسنجی و آموزشی تقسیم شود. از مجموعه داده های آموزشی برای ساخت یک مدل درخت تصمیم گیری و یک مجموعه داده اعتبارسنجی برای تصمیم گیری در مورد اندازه درخت مورد مناسب موردنیاز برای رسیدن به مدل نهایی بهینه، استفاده می کند. این مقاله، الگوریتم هایی را که معمولا برای توسعه درخت های تصمیم گیری (ازجمله CART, C۴.۵, CHAID و QUEST) استفاده شده اند را معرفی می کند و برنامه های SAS و SPSS را که می توانند برای تصویرسازی این ساختار درختی استفاده شوند را توصیف می کنند.

کلیدواژه ها:

کلمات کلیدی: درخت تصمیم گیری ، داده کاوی ، طبقه بندی ، پیش بینی