Diskussion zum Artikel "Datenwissenschaft und maschinelles Lernen (Teil 05): Entscheidungsbäume"
Hallo Herr Omega,
Vielen Dank für die ID3-Lösung. Es ist sehr nützlich für mich. Allerdings habe ich eine Exceltabelle diesbezüglich erstellt und angehängt, die ich denke, dass es für Ihre Erklärungen klar ist.
Nochmals vielen Dank,
F.Mahmoudian
Hallo Herr Omega,
Vielen Dank für die ID3 Lösung. es ist sehr nützlich für mich. Allerdings habe ich eine Excel-Tabelle in dieser Hinsicht erstellt und beigefügt, dass ich denke, es ist klar für Ihre erklärt.
Nochmals vielen Dank,
F.Mahmoudian
vielen Dank dafür, ich versuche immer noch herauszufinden, wie ich das Skript den Baum selbst zeichnen lassen kann
Und übrigens, ja, warum sind alle so besessen von MO, AI und DeepLearning? Es gibt eine alte Sache, an die uns der Themenstarter erinnert hat. Es gibt Expertensysteme und alle Arten von gewichteten Bewertungen. Natürlich sind die Methoden 30-50 Jahre alt, nicht mehr zeitgemäß, aber sie halten sich an das physikalische Modell und die Ursache-Wirkungs-Beziehungen und ihre Ergebnisse sind interpretierbar. DA MUSS ICH NACHHAKEN.
Es ist das Einzige, was potenziell ein Filter für bereits berechnete Signale sein könnte. Andere Methoden in dieser Richtung sind im Arsch.
Und übrigens, ja, warum sind alle so besessen von MO, AI und DeepLearning? Es gibt eine alte Sache, an die uns der Themenstarter erinnert hat. Es gibt Expertensysteme und alle Arten von gewichteten Bewertungen. Natürlich sind die Methoden 30-50 Jahre alt, nicht mehr zeitgemäß, aber sie halten sich an das physikalische Modell und die Ursache-Wirkungs-Beziehungen und ihre Ergebnisse sind interpretierbar. ICH MUSS DA MAL RECHERCHIEREN.
Es ist das Einzige, was potenziell ein Filter für bereits berechnete Signale sein könnte. Andere Methoden in dieser Richtung sind vergeigt worden.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Datenwissenschaft und maschinelles Lernen (Teil 05): Entscheidungsbäume :
Entscheidungsbäume imitieren die Art und Weise, wie Menschen denken, um Daten zu klassifizieren. Schauen wir mal, wie man so einen Baum erstellt und ihn zur Klassifizierung und Vorhersage einiger Daten verwenden kann. Das Hauptziel des Entscheidungsbaum-Algorithmus ist es, die Daten mit Fremdanteilen und die reinen oder knotennahen Daten abzutrennen.
Entscheidungsbäume verwenden mehrere Algorithmen, um zu entscheiden, ob ein Knoten in zwei oder mehr Unterknoten aufgeteilt werden soll. Durch die Bildung von Unterknoten wird die Homogenität der entstehenden Unterknoten erhöht. Mit anderen Worten kann man sagen, dass die Reinheit des Knotens in Bezug auf die Zielvariable zunimmt. Der Entscheidungsbaum-Algorithmus teilt die Knoten anhand aller verfügbaren Variablen auf und wählt dann die Aufteilung aus, die zu den homogensten Unterknoten führt.
Die Auswahl des Algorithmus basiert auf der Art der Zielvariablen.
Die folgenden Algorithmen werden für den Entscheidungsbaum verwendet:
In diesem Artikel werde ich einen Entscheidungsbaum erstellen, der auf dem ID3-Algorithmus basiert. Wir werden die anderen Algorithmen in den nächsten Artikeln dieser Serie diskutieren und verwenden.
Autor: Omega J Msigwa