Discussione sull’articolo "Scienza dei Dati e Apprendimento Automatico (Parte 05): Alberi Decisionali"

 

Il nuovo articolo Scienza dei Dati e Apprendimento Automatico (Parte 05): Alberi Decisionali è stato pubblicato:

Gli alberi decisionali imitano il modo in cui gli esseri umani pensano nel classificare i dati. Vediamo come costruire alberi e utilizzarli per classificare e prevedere alcuni dati. L'obiettivo principale dell'algoritmo degli alberi decisionali è separare i dati con impurità in nodi puri o vicini.

Gli alberi decisionali utilizzano molteplici algoritmi per decidere di dividere un nodo in due o più sottogruppi di nodi. La creazione di sottonodi aumenta l'omogeneità dei sottonodi risultanti. In altre parole, possiamo dire che la purezza del nodo aumenta rispetto alla variabile target. L'algoritmo dell'albero decisionale suddivide i nodi su tutte le variabili disponibili e poi seleziona la suddivisione che risulta nei sottonodi più omogenei.

esempio di albero decisionale

La selezione dell'algoritmo si basa sul tipo di variabili target.

Di seguito sono riportati gli Algoritmi utilizzati nell'Albero Decisionale:

  1. ID3 > Estensione di D3
  2. C4.5 > Successore di ID3
  3. CART > Albero di classificazione e regressione
  4. CHAID > Rilevamento Automatico dell'Interazione Chi-quadrato, esegue divisioni multi livello durante il calcolo degli alberi di classificazione
  5. MARS > Spline di Regressione Adattiva Multivariata

In questo articolo creerò un albero decisionale basato sull'algoritmo ID3, discuteremo e utilizzeremo gli altri algoritmi nei prossimi articoli di questa serie.

Autore: Omega J Msigwa