2. If X = ∅, then return the tree w

2. If X = ∅, then return the tree with root r and end.
3. Select x ∈ X and remove it from X, i.e., X := X {x}. Determine the “score”
sold (x) of node x before splitting, e.g., based on entropy.
4. Determine if splitting is possible/needed. If not, go to step 2, otherwise continue with the next step.
5. For all possible attributes a ∈ A, evaluate the effects of splitting on the attribute.
Select the attribute a providing the best improvement, i.e., maximize snew (x) −

sold

(x). The same attribute should not appear multiple times on the same path from the root. Also note that for numerical attributes, so-called “cut values” need to be determined (cf.

ผลลัพธ์ (ไทย) 1:

2. ถ้า X =∅ แล้วส่งคืนต้นราก r และสิ้นสุด3. เลือก x ∈ X และเอาออกจาก X เช่น X: = X {x } กำหนด "คะแนน"ขาย (x) ของโหนด x ก่อนแบ่ง เช่น ขึ้นอยู่กับเอนโทรปี4. กำหนดถ้าแบ่งเป็นไปได้/ต้องการ ถ้าไม่ได้ ไปที่ขั้นตอนที่ 2 หรือ ทำขั้นตอนต่อไป5. สำหรับคุณลักษณะทั้งหมดได้∈ A ประเมินผลของการแบ่งในแอตทริบิวต์เลือกแอตทริบิวต์การให้ปรับปรุงที่ดีที่สุด เช่น ขยาย snew (x) − ขาย (x) แอตทริบิวต์เดียวกันไม่ควรปรากฏอยู่หลายครั้งบนเส้นทางจากราก นอกจากนี้เหตุที่ว่า สำหรับแอตทริบิวต์เลข เรียกว่า "ตัดค่า" จำเป็นต้องกำหนด (cf. < 8 และ ≥8 ใน Fig. 3.2)6. ถ้าพบพอปรับปรุง สร้างชุดของลูกโหนด Y เพิ่ม Yกับ X (เช่น X: = X ∪ Y), และ x เพื่อโหนทั้งหมดใน Y7. เชื่อมโยงแต่ละโหนดใน Y ชุดเกี่ยวข้องของอินสแตนซ์ และไปที่ขั้นตอนที่ 2เฉพาะมีภาพร่างคร่าว ๆ ของอัลกอริทึมแบบทั่วไป ตัดสินใจออกแบบจำนวนมากมีความจำเป็นเพื่อให้ผู้เรียนเป็นต้นไม้ตัดสินใจคอนกรีต ตัวอย่าง หนึ่งต้องตัดสินใจว่า จะหยุดการเพิ่มโหนด นี้สามารถใช้การพัฒนาของฟังก์ชันให้คะแนนหรือเนื่อง จากต้นไม้ไม่จำกัดความลึกได้ นอกจากนี้ยังมีหลายวิธีให้เลือกแอตทริบิวต์ ซึ่งสามารถขึ้นอยู่กับเอนโทรปี (ดูด้านล่าง), ดัชนี Gini หลากหลาย ฯลฯ เมื่อเลือกแอททริบิวต์เลขที่แบ่งบน ตัด ค่าต้องสามารถกำหนดได้เนื่องจากไม่ unreasonable/มี โหนสำหรับทุกค่าที่เป็นไปได้ ตัวอย่าง ลูกค้าสามารถซื้อจำนวน lattes และมันจะหยิบที่ระบุทั้งหมดเมื่อใช้แอตทริบิวต์นี้แบ่ง ตามที่แสดงใน Fig. 3.2 ลาเต้โหนได้เพียงสามโหนตามตัดสองค่าโดเมนจำนวนธรรมชาติใน { 0 }, { 1 } พาร์ทิชัน และ { 2, 3, .. . }เหล่านี้เป็นเพียงไม่กี่ของส่วนผสมมากว่าการตัดสินใจที่สมบูรณ์เรียนทรีอัลกอริทึมสิ่งสำคัญต้องดูเป็นว่า โดยแบ่งชุดของอินสแตนซ์ในชุดย่อย ความผันแปรภายในแต่ละเซตย่อยจะเล็กลง นี้สามารถมีส่วนอธิบายโดยใช้แนวคิดของเอนโทรปี

ผลลัพธ์ (ไทย) 2:

2. ถ้า X = ∅แล้วกลับต้นไม้ที่มีอาและปลายราก.
3 เลือก x ∈ X และลบออกจาก X คือ X = X {x} กำหนด "คะแนน"
ขาย (x) ของโหนด x ก่อนที่จะแยกเช่นขึ้นอยู่กับเอนโทรปี.
4 ตรวจสอบว่าเป็นไปได้ที่แยก / จำเป็น ถ้าไม่ได้ให้ไปที่ขั้นตอนที่ 2 มิฉะนั้นดำเนินการต่อด้วยขั้นตอนต่อไป.
5 . สำหรับแอตทริบิวต์เป็นไปได้ทั้งหมด∈ประเมินผลกระทบของการแยกแอตทริบิวต์
เลือกแอตทริบิวต์การให้การปรับปรุงที่ดีที่สุดคือการเพิ่ม snew (x) - ขาย(x) แอตทริบิวต์เดียวกันไม่ควรจะปรากฏขึ้นหลายครั้งในเส้นทางเดียวกันจากราก นอกจากนี้ทราบว่าสำหรับแอตทริบิวต์ตัวเลขที่เรียกว่า "ตัดค่า" จะต้องมีการกำหนด (cf <8 และ≥8ในรูป. 3.2). 6 หากการปรับปรุงเป็นอย่างมากพอสร้างชุดของโหนดเด็ก Y เพิ่ม Y ไป X (เช่น X = X ∪ Y) และเชื่อมต่อ x ทุกโหนดเด็กใน Y. 7 เชื่อมโยงโหนดใน Y แต่ละชุดที่สอดคล้องกันของกรณีและไปที่ขั้นตอนที่ 2 ที่นี่เราเพียง แต่ให้ร่างหยาบของขั้นตอนวิธีทั่วไป ตัดสินใจในการออกแบบหลายคนที่มีความจำเป็นในการตัดสินใจเรียนคอนกรีตต้นไม้ ตัวอย่างเช่นหนึ่งต้องตัดสินใจเมื่อมีการหยุดการเพิ่มโหนด นี้จะขึ้นอยู่กับการพัฒนาฟังก์ชั่นการให้คะแนนหรือเพราะต้นไม้จะมีการ จำกัด ระดับความลึกบางอย่าง นอกจากนี้ยังมีหลายวิธีที่จะเลือกคุณลักษณะ นี้จะขึ้นอยู่กับเอนโทรปี (ดูด้านล่าง) ดัชนี Gini ของความหลากหลาย ฯลฯ เมื่อเลือกแอตทริบิวต์ตัวเลขเพื่อแยกตัดค่าจำเป็นต้องได้รับการพิจารณาเพราะมันไม่มีเหตุผล / เป็นไปไม่ได้ที่จะมีโหนดเด็กทุกค่าที่เป็นไปได้ ตัวอย่างเช่นลูกค้าสามารถซื้อจำนวนลาเต้ใด ๆ และมันจะเป็นที่ไม่พึงประสงค์ให้ระบุเป็นไปได้ทั้งหมดเมื่อใช้คุณลักษณะนี้จะแยก ดังแสดงในรูป 3.2 ลาเต้โหนดมีเพียงสามโหนดลูกขึ้นอยู่กับสองตัดแบ่งค่าโดเมนของตัวเลขธรรมชาติใน {0}, {1} และ {2, 3, .. .}. เหล่านี้เป็นเพียงไม่กี่ของส่วนผสมหลายอย่างที่กำหนด การตัดสินใจที่สมบูรณ์ขั้นตอนวิธีการเรียนรู้ต้นไม้. สิ่งที่สำคัญอย่างยิ่งที่จะเห็นก็คือว่าโดยแยกชุดของอินสแตนซ์ในรูปแบบย่อยภายในแต่ละเซตจะมีขนาดเล็ก นี้สามารถแสดงที่ดีที่สุดโดยใช้ความคิดของเอนโทรปี

ผลลัพธ์ (ไทย) 3:

2 . ถ้า x = ∅แล้วกลับต้นไม้ที่มีราก R และสิ้นสุด .
3 เลือก∈ X X และลบออกจาก x 1 , x : = x { x } ตรวจสอบ " คะแนน "
ขาย ( X ) ของโหนด x ก่อนออกเช่นขึ้นอยู่กับเอนโทรปี .
4 ตรวจสอบว่า การแยกเป็นไปได้ / ต้องการ ถ้าไม่ไปขั้นตอนที่ 2 มิฉะนั้นขั้นถัดไป .
5 คุณลักษณะทั้งหมดที่เป็นไปได้∈ , ประเมินผลของการแยกบน
คุณลักษณะเลือก Attribute เป็นบริการแรกที่ดีที่สุด คือ เพิ่ม snew ( x ) −

ขาย

( X ) คุณลักษณะเดียวกันไม่ควรปรากฏหลายครั้งในเส้นทางเดียวกัน จากราก นอกจากนี้ยังทราบว่าคุณลักษณะที่สำคัญตัวเลขที่เรียกว่า " ตัดค่า " ต้องตัดสินใจ ( CF . < 8 และ≥ 8 ในรูปที่ 3.2 )
6 หากโครงการเป็นรูปธรรมเพียงพอ สร้างชุดของเด็กๆ Y
Y เพิ่ม X ( I , X := x ∪ y ) และการเชื่อมต่อกับโหนดลูกทุก x y .
7 เชื่อมโยงแต่ละโหนดใน Y ตั้งที่สอดคล้องกันของอินสแตนซ์และไปขั้นตอนที่ 2 .

ที่นี่เราเพียง แต่ให้ร่างคร่าวๆของขั้นตอนวิธีการทั่วไป การตัดสินใจการออกแบบจำนวนมากที่จำเป็นเพื่อให้คอนกรีตโครงสร้างการตัดสินใจเรียน ตัวอย่างเช่นหนึ่งต้องตัดสินใจเมื่อจะหยุดการเพิ่มโหนดนี้สามารถใช้ในการปรับปรุงการให้คะแนนการทำงานหรือเพราะต้นไม้จะต้องมีความลึกที่แน่นอน มีหลายวิธีที่จะเลือก แอตทริบิวต์ นี้จะขึ้นอยู่กับค่า ( ดูที่ด้านล่าง ) , ดัชนีจีนีของความหลากหลาย , ฯลฯ เมื่อเลือก แอตทริบิวต์ตัวเลขแยกบนตัดค่าต้องพิจารณาเพราะมันไม่มีเหตุผล / ไม่มีโหนดลูกทุกค่าที่เป็นไปได้ . ตัวอย่างเช่น ลูกค้าสามารถซื้อหมายเลขใด ๆของลาเต้ และมันจะไม่พึงประสงค์ที่จะแจกแจงความเป็นไปได้ทั้งหมดเมื่อใช้คุณลักษณะนี้เพื่อแยก ดังแสดงในรูปที่ 3.2 , โหนดลาเต้ได้เพียงสามลูกโหนดบนพื้นฐานสองตัด
ค่า CC โดเมนของจำนวนธรรมชาติใน { 0 } { 1 } , { 2 , 3 , . . . . } .
เหล่านี้เป็นเพียงไม่กี่ของหลายส่วนผสมที่กำหนดให้อัลกอริทึมการเรียนรู้ต้นไม้การตัดสินใจ
.
สิ่งสําคัญที่จะเห็นก็คือโดยการแยกชุดของอินสแตนซ์ในส่วนย่อยการเปลี่ยนแปลงภายในแต่ละส่วนย่อยจะเล็กลง นี้สามารถที่ดีที่สุดที่แสดงการใช้ความคิดของเอนโทรปี .