جستجو برای:
  • صفحه نخست
    • صفحه اصلی اول
    • صفحه اصلی دوم
    • صفحه اصلی سوم
    • صفحه اصلی چهارم
  • دوره ها
    • حساب کاربری من
    • سبد خرید
    • پرداخت
  • مطالب آموزشی
    • یادگیری ماشین
      • کلاس بندی
      • خوشه بندی
      • رگرسیون
      • یادگیری تقویتی
    • دانشجویان کارشناسی
      • مفاهیم اولیه
      • الگوریتم های تکاملی
      • الگوریتم های جستجو
      • عامل های منطقی
    • سایر مباحث
      • داده کاوی
      • کلان داده
      • یادگیری عمیق
      • پردازش تصویر
    • ابزارها
      • پایتون
      • R
      • وکا
      • کلمنتاین
  • بلاگ
 
  • 09127449140
  • viraai.ackademy@gmail.com
  • بلاگ
  • تماس با ما
  • درباره ما
آکادمی هوش مصنوعی ویرا
  • صفحه نخست
    • صفحه اصلی اول
    • صفحه اصلی دوم
    • صفحه اصلی سوم
    • صفحه اصلی چهارم
  • دوره ها
    • حساب کاربری من
    • سبد خرید
    • پرداخت
  • مطالب آموزشی
    • یادگیری ماشین
      • کلاس بندی
      • خوشه بندی
      • رگرسیون
      • یادگیری تقویتی
    • دانشجویان کارشناسی
      • مفاهیم اولیه
      • الگوریتم های تکاملی
      • الگوریتم های جستجو
      • عامل های منطقی
    • سایر مباحث
      • داده کاوی
      • کلان داده
      • یادگیری عمیق
      • پردازش تصویر
    • ابزارها
      • پایتون
      • R
      • وکا
      • کلمنتاین
  • بلاگ
0

ورود و ثبت نام

وبلاگ

آکادمی هوش مصنوعی ویرابلاگیادگیری ماشینکلاس بندی
19 آبان 1400
ارسال شده توسط Zeinab.Ghasemi
الگوریتم های تکاملی ، کلاس بندی ، مطالب آموزشی
467 بازدید

درخت‌های تصمیم (DT)
مدل‌های طبقه‌بندی هستند که در آن‌ها مجموعه‌ای از پرسش‌ها و پاسخ‌ها با استفاده از گره‌ها و یال‌های جهت‌دار ترسیم می‌شوند.
درختان تصمیم دارای سه نوع گره هستند: گره ریشه، گره داخلی و گره برگ یا انتهایی. گره ریشه و تمام گره های داخلی شرایط آزمون را برای ویژگی ها یا متغیرهای مختلف در یک مجموعه داده نشان می دهند. گره های برگ برچسب کلاس را برای تمام مسیرهای مختلف درخت مشخص می کنند.

الگوریتم‌های القایی
اکثر الگوریتم‌های القایی درخت تصمیم شامل انتخاب یک ویژگی برای گره ریشه و سپس اتخاذ همان نوع تصمیم آگاهانه در مورد همه گره‌های یک درخت هستند.
درخت‌های تصمیم را می‌توان با برنامه‌ریزی بیان ژن نیز ایجاد کرد، با این مزیت که تمام تصمیم‌گیری‌های مربوط به رشد درخت توسط خود الگوریتم و بدون هیچ گونه ورودی انسانی گرفته می‌شود.

دو نوع از الگوریتم‌های DT
یکی برای القای درخت‌های تصمیم با ویژگی‌های اسمی و دیگری برای القای درخت‌های تصمیم با ویژگی‌های عددی و اسمی. این جنبه از القای درخت تصمیم به برنامه‌ریزی بیان ژن نیز مربوط می‌شود. و دو الگوریتم GEP برای القای درخت تصمیم وجود دارد: الگوریتم درخت‌های تصمیم تکامل‌پذیر (EDT) که منحصراً با ویژگی‌های اسمی سروکار دارد و EDT-RNC (EDT با ثابت‌های عددی تصادفی) مدیریت هر دو ویژگی اسمی و عددی.

درخت‌های تصمیم القا شده
در درخت‌های تصمیم القا شده توسط برنامه‌نویسی بیان ژن، ویژگی‌ها به‌عنوان گره‌های تابع در الگوریتم بیان ژن پایه رفتار می‌کنند. در حالی که برچسب‌های کلاس به‌عنوان پایانه‌ها رفتار می‌کنند. این بدان معناست که گره های صفت نیز تعداد یا تعداد شاخه خاصی را با آنها مرتبط کرده اند. که رشد آنها و در نهایت رشد درخت را تعیین می کند. برچسب‌های کلاس مانند پایانه‌ها عمل می‌کنند، به این معنی که برای یک کار طبقه‌بندی k-کلاس، یک مجموعه پایانه با پایانه‌های k استفاده می‌شود که نشان‌دهنده k-کلاس‌ مختلف است.

قوانین رمزگذاری
درخت تصمیم در یک ژنوم خطی بسیار شبیه به قوانینی است که برای رمزگذاری عبارات ریاضی استفاده می شود. بنابراین، برای القای درخت تصمیم، ژن‌ها دارای یک سر و یک دم هستند. که سر حاوی صفات و پایانه‌ها و دم فقط دارای پایانه‌ها است. این تضمین می کند که همه درخت های تصمیم طراحی شده توسط GEP همیشه برنامه های معتبر هستند. علاوه بر این، اندازه دم t با اندازه سر h و تعداد شاخه‌های مشخصه با شاخه‌های بیشتر nmax  نیز گفته می‌شود.

اشتراک گذاری:
برچسب ها: درخت‌های تصمیم (DT)درخت‌های تصمیم القا شده
در تلگرام
کانال ما را دنبال کنید!
در اینستاگرام
ما را دنبال کنید!

مطالب زیر را حتما مطالعه کنید

درک منحنی AUC – ROC

در یادگیری ماشین، اندازه‌گیری عملکرد یک وظیفه ضروری است. بنابراین وقتی صحبت از یک مشکل...

رایانش تکاملی (الگوریتم ژنتیک ) و موارد استفاده آن در یادگیری ماشینی

الگوریتم ژنتیک چیست؟   الگوریتم های ژنتیک الگوریتم های جستجویی هستند که از نظریه تکامل...
شبکه های عصبی

محل بررسی مدل های شبکه عصبی

مدل های شبکه عصبی مدل های یادگیری عمیق می توانند ساعت ها، روزها یا حتی...

آموزش هرس در کتابخانه های Pytorch و Tensorflow

تکنیک های پیشرفته یادگیری عمیق بر مدل های بیش از حد پارامتریزه شده تکیه دارند...

مبانی CNN در یادگیری عمیق

شبکه عصبی کانولوشن چیست؟ شبکه‌های عصبی کانولوشن که با نام‌های CNN یا ConvNets نیز شناخته...

راهنمای جامع برای درک عملکرد در OpenVINO

مقدمه ای بر OpenVINO راهنمای جامع برای درک عملکرد OpenVINO که مخفف Open Visual Inference...

دیدگاهتان را بنویسید لغو پاسخ

جستجو برای:
دسته‌ها
  • ابزارها
  • الگوریتم های تکاملی
  • الگوریتم های جستجو
  • پایتون
  • پردازش تصویر
  • پردازش صوت
  • خوشه بندی
  • داده کاوی
  • دانشجویان کارشناسی
  • دسته‌بندی نشده
  • رگرسیون
  • سایر مباحث
  • سیستم های خبره
  • عامل های منطقی
  • علم داده
  • کلاس بندی
  • کلان داده
  • مطالب آموزشی
  • مفاهیم اولیه
  • مقالات
  • منطق فازی
  • ویدئو
  • یادگیری تقویتی
  • یادگیری عمیق
  • یادگیری ماشین
نوشته‌های تازه
  • منحنی AUC-ROC در یادگیری ماشین
  • درک منحنی AUC – ROC
  • چرحه حیات یادگیری ماشین
  • تشخیص جنسیت و سن افراد با کتابخانه OpenCV
  • تاثیر هایپرپارامترها در مدل یادگیری عمیق
درباره آکادمی ویرا

ما یک گروه علاقمند در زمینه های مختلف هوش مصنوعی هستیم که دغدغه اصلی ما آموزش زمینه های مختلف هوش به روش ساده و مفهومی است.

  • تهران، یوسف آباد، خ چهلم ، پلاک 17
  • 09127449140
  • viraai.ackademy@gmail.com
فهرست سفارشی
  • صفحه اصلی اول
  • بلاگ
  • تماس با ما
  • حساب کاربری من
  • درباره ما
  • سبد خرید
  • فروشگاه

تمامی حقوق برای سایت آکادمی ویرا محفوظ می باشد.

ورود

رمز عبور را فراموش کرده اید؟

هنوز عضو نشده اید؟ عضویت در سایت