Decision Tree is a decision support

Decision Tree is a decision support methodology which uses a set of rules to divide a population of cases into homogeneous groups and has a flow chart like structure. Each internal node denotes a test on an attribute, each edge denotes the outcome of the test and leaf nodes contain the class label. Each rule comprises of tests on some attributes of a group. These attributes could be images or contextual information.
Following 3, 4 the tree is made up of a single node containing the whole case population, at the onset of the learning process. After the Decision Tree is constructed, each case i is assigned to each leaf j where j=1...N with a weight wij. This weight wij is 0 or 1 if every test attribute is known for i. At the beginning, the whole population forms the root of the tree. For generating different branches of the tree, the discriminating features are selected from the population characteristics. These features are called tests which generate new child nodes. The power of discrimination can be measured by Shannon entropy gain
before dividing it) and I i (i

1,..., N )


is the entropy in the ith child node. A similarity measure3 is defined

between prototype and candidate cases as follows. At the end of learning each prototype example is assigned to each

leaf ( j

1, ..., N )

with weight wij

equal to zero or 1 if every attribute is known or an intermediate value between

0 and 1 otherwise. When a candidate case (c) is compared to a prototype case (i) which falls in some leaf j, the
3

similarity measure (initially set to zero) is increased by wcj .wij

. The final similarity measure is a sum of these

values over all leaves N. Ordering of the prototypes are by decreasing order of this similarity measure. The accuracy is the percentage of retrieved cases whose label matches the query. The heterogeneous variables include age, gender, postprandial blood glucose (PPBG) levels and family history of the disease (e.g. diabetes). The attribute chosen to separate the population into two homogeneous groups is PPBG, which is less than 180 for normal population. Subsequently, image features are analyzed for classification as shown in Fig. 2. For AMD, drusen (yellowish) and haemorrhages are considered. For DR, reddish spots (MA) or yellowish patches (HE), fluffy white (CWS) or haemorrhages.

ผลลัพธ์ (ไทย) 1:

ต้นไม้การตัดสินใจเป็นวิธีการสนับสนุนการตัดสินใจซึ่งใช้ชุดกฎประชากรกรณีแบ่งกลุ่มเป็นเนื้อเดียวกัน และมีแผนภูมิการไหลเช่นโครงสร้าง แต่ละโหนภายในหมายถึงการทดสอบในแอตทริบิวต์ ขอบแต่ละหมายถึงผลของการทดสอบ และโหนโหนดปลายสุดประกอบด้วยป้ายชื่อคลาส กฎแต่ละกฎประกอบด้วยการทดสอบในบางแอตทริบิวต์ของกลุ่ม คุณลักษณะเหล่านี้อาจเป็นรูปภาพหรือข้อมูลบริบทต่อไปนี้ 3, 4 ต้นถูกสร้างขึ้นจากโหนเดียวประกอบด้วยประชากรทั้งหมดกรณี ที่ของกระบวนการเรียนรู้ หลังจากสร้างต้นไม้การตัดสินใจ แต่ละกรณีเป็นกำหนดเจแต่ละใบที่ j = 1... N กับ wij น้ำหนัก Wij น้ำหนักนี้เป็น 0 หรือ 1 ถ้าทุกคุณลักษณะทดสอบหา ประชากรทั้งหมดรูปแบบรากของต้นไม้ที่ต้น สำหรับการสร้างสาขาของต้นไม้ มีเลือกคุณลักษณะรับการจำแนกจากลักษณะประชากร คุณลักษณะเหล่านี้จะเรียกว่าทดสอบซึ่งสร้างโหนใหม่ สามารถวัดพลังงานเลือกปฏิบัติ โดยกำไรเอนโทรปีของแชนนอน ก่อนแบ่ง) และฉัน (i 1,..., N ) คือเอนโทรปีในระยะโหนดร กำหนด measure3 คล้ายคลึง ระหว่างต้นแบบและผู้สมัครกรณีดัง ในตอนท้ายของการเรียนรู้ต้นแบบแต่ละ อย่างกำหนดให้แต่ละ ลีฟ (เจ 1, ..., N ) มีน้ำหนัก wij มีค่าเท่ากับศูนย์หรือ 1 ถ้าทุกแอททริบิวต์หรือค่ากลางระหว่าง 0 และ 1 อื่น ๆ เมื่อเปรียบเทียบกับกรณีต้นแบบ (i) ที่อยู่ในเจบางใบไม้ (c) กรณีผู้สมัคร3 วัดความคล้ายคลึงกัน (ตั้งค่าเป็นศูนย์) จะเพิ่มขึ้น ด้วย wcj .wij . วัดสุดท้ายคล้ายเป็นผลรวมของเหล่านี้ มีค่ากว่า N. การสั่งซื้อของแบบตัวอย่างใบทั้งหมดสตาร์ทสั่งวัดความคล้ายคลึงกันนี้ ความถูกต้องคือ เปอร์เซ็นต์ของกรณีที่ดึงข้อมูลป้ายตรงกับแบบสอบถาม ตัวแปรแตกต่างกันได้แก่อายุ เพศ ระดับน้ำตาล (PPBG) เลือด postprandial และประวัติครอบครัวของโรค (เช่นโรคเบาหวาน) แอตทริบิวต์ที่เลือกที่จะแยกประชากรเป็น 2 กลุ่มเหมือนเป็น PPBG ซึ่งจะน้อยกว่า 180 ในประชากรปกติ ในเวลาต่อมา คุณลักษณะรูปลักษณะการจัดแสดงใน Fig. 2 สำหรับ AMD, drusen (สีเหลือง) และ haemorrhages จะพิจารณา DR จุดน้ำตาล (MA) หรือแพทช์สีเหลือง (เขา), สีขาวนุ่ม (CWS) หรือ haemorrhages

ผลลัพธ์ (ไทย) 2:

การตัดสินใจต้นไม้เป็นวิธีการสนับสนุนการตัดสินใจที่ใช้ชุดของกฎการแบ่งประชากรออกเป็นกลุ่มกรณีที่เป็นเนื้อเดียวกันและมีแผนภูมิการไหลเช่นโครงสร้าง แต่ละโหนดภายในหมายถึงการทดสอบในแอตทริบิวต์ขอบแต่ละหมายถึงผลของการทดสอบและโหนดใบมีฉลากระดับ กฎแต่ละประกอบด้วยการทดสอบในบางลักษณะของกลุ่ม คุณลักษณะเหล่านี้อาจเป็นภาพหรือข้อมูลบริบท.
หลังจากที่ 3, 4 ต้นไม้ถูกสร้างขึ้นจากโหนดเดียวที่มีประชากรทั้งกรณีที่เริ่มมีอาการของกระบวนการเรียนรู้ หลังจากที่ต้นไม้ตัดสินใจถูกสร้างแต่ละกรณีผมได้รับมอบหมายให้เจแต่ละใบที่เจ = 1 ... N กับน้ำหนัก Wij Wij น้ำหนักนี้เป็น 0 หรือ 1 ถ้าแอตทริบิวต์การทดสอบทุกคนจะรู้จักกันดีสำหรับฉัน ที่จุดเริ่มต้นของประชากรทั้งรูปแบบรากของต้นไม้ สำหรับการสร้างสาขาที่แตกต่างกันของต้นไม้คุณสมบัติแบ่งแยกได้รับการคัดเลือกจากลักษณะประชากร คุณสมบัติเหล่านี้จะเรียกว่าการทดสอบที่สร้างโหนดลูกใหม่ พลังของการเลือกปฏิบัติที่สามารถวัดได้โดยการเพิ่มของเอนโทรปีนอน
ก่อนที่จะแบ่ง) และฉัน (i 1, ... , N) เป็นเอนโทรปีใน ith โหนดเด็ก measure3 คล้ายคลึงกันถูกกำหนดระหว่างต้นแบบและกรณีผู้สมัครดังต่อไปนี้ ในตอนท้ายของการเรียนรู้แต่ละตัวอย่างต้นแบบกำหนดให้กับแต่ละใบ (ญ1, ... , N) ที่มีน้ำหนัก Wij เท่ากับศูนย์หรือ 1 ถ้าทุกคุณลักษณะเป็นที่รู้จักกันหรือค่ากลางระหว่าง0 และ 1 เป็นอย่างอื่น เมื่อเป็นกรณีที่ผู้สมัคร (ค) เมื่อเทียบกับกรณีต้นแบบ (i) ซึ่งตกอยู่ในเจใบบาง3 วัดความคล้ายคลึงกัน (ต้นตั้งค่าเป็นศูนย์) จะเพิ่มขึ้นตาม wcj .wij วัดความคล้ายคลึงกันสุดท้ายคือผลรวมของเหล่านี้ค่ามากกว่าทุกใบสั่งซื้อเอ็นต้นแบบที่มีการสั่งซื้อโดยการลดมาตรการที่คล้ายคลึงกันนี้ ความถูกต้องคือเปอร์เซ็นต์ของกรณีที่มีการดึงป้ายชื่อตรงกับคำ ตัวแปรที่แตกต่างกันรวมถึงอายุเพศระดับน้ำตาลในเลือดภายหลังตอนกลางวัน (PPBG) ระดับและประวัติครอบครัวของโรค (เช่นโรคเบาหวาน) แอตทริบิวต์เลือกที่จะแยกประชากรออกเป็นสองกลุ่มคือเป็นเนื้อเดียวกัน PPBG ซึ่งน้อยกว่า 180 สำหรับประชากรปกติ ต่อจากนั้นคุณสมบัติของภาพที่มีการวิเคราะห์การจัดหมวดหมู่ตามที่แสดงในรูป 2. สำหรับเอเอ็มดี drusen (สีเหลือง) และตกเลือดได้รับการพิจารณา สำหรับ DR จุดสีแดง (MA) หรือแพทช์สีเหลือง (HE), สีขาวปุย (CWS) หรือตกเลือด

ผลลัพธ์ (ไทย) 3:

ต้นไม้ตัดสินใจเป็นวิธีการสนับสนุนการตัดสินใจซึ่งใช้ชุดของกฎการแบ่งประชากรออกเป็นกลุ่มและมีกรณีเป็นแผนภูมิการไหล เช่น โครงสร้าง แต่ละโหนดภายใน หมายถึง แบบทดสอบที่ตามขอบ หมายถึง ผลของการทดสอบและโหนดใบประกอบด้วยห้องป้าย กฎแต่ละประกอบด้วยการทดสอบในคุณลักษณะบางอย่างของกลุ่มคุณสมบัติเหล่านี้อาจเป็นรูปภาพหรือข้อมูลบริบท
ต่อไปนี้ 3 , 4 ต้นถูกสร้างขึ้นจากโหนดเดียวที่มีจำนวนคดีทั้งหมด ที่เริ่มมีอาการของกระบวนการเรียนรู้ หลังจากการตัดสินใจแบบต้นไม้ถูกสร้างขึ้นแต่ละกรณีก็จะมอบหมายให้แต่ละใบที่ J J = 1 . . . . . . . ด้วยน้ำหนัก - . นี้น้ำหนักเป็น 0 หรือ - 1 ถ้าทุกการทดสอบคุณลักษณะที่เป็นที่รู้จักสำหรับฉันในตอนแรกประชากรทั้งหมดรูปแบบรากของต้นไม้ สำหรับการสร้างที่แตกต่างกัน กิ่งก้านของต้นไม้ จำแนกคุณลักษณะถูกเลือกจากประชากร ลักษณะ คุณสมบัติเหล่านี้จะเรียกว่าการทดสอบซึ่งสร้างโหนดลูกใหม่ พลังของการเลือกปฏิบัติที่สามารถวัดได้โดยแชนนอนเอนโทรปีเข้า
ก่อนหาร ) และฉัน ( ฉัน

1 . . . . . . . , n )


คือเอนโทรปีใน ith ลูกโหนดความคล้ายคลึงกัน measure3 กำหนด

ระหว่างกรณีต้นแบบ และผู้สมัคร ดังนี้ ในตอนท้ายของแต่ละบทเรียนต้นแบบตัวอย่าง คือ มอบหมายให้แต่ละใบ

( J

1 . . . . . . . , n )

-

น้ำหนักเท่ากับ 0 หรือ 1 ถ้าทุกคุณลักษณะหรือเป็นที่รู้จักกันเป็นค่าระหว่างกลางระหว่าง

0 และ 1 เป็นอย่างอื่น เมื่อผู้สมัครกรณี ( C ) เมื่อเปรียบเทียบกับต้นแบบกรณี ( ผม ) ซึ่งตรงกับในใบ J ,
3

วัดความคล้ายคลึงกัน ( ตอนแรกตั้งศูนย์ ) จะเพิ่มขึ้น โดย wcj . เรา

การวัดความคล้ายคลึงสุดท้ายคือผลรวมของค่า

เหล่านี้ผ่านทุกใบได้ การสั่งซื้อของต้นแบบจะลดลงตามลำดับนี้เหมือนวัด ความถูกต้อง คือ เปอร์เซ็นต์ของดึงกรณีที่มีป้ายชื่อตรงกับแบบสอบถาม ตัวแปรที่แตกต่างกัน ได้แก่ อายุ เพศหลังอาหารระดับน้ำตาลในเลือด ( ppbg ) ระดับและประวัติครอบครัวของโรค เช่น โรคเบาหวาน ) คุณลักษณะที่เลือกที่จะแยกเป็น 2 กลุ่ม คือ กลุ่มที่เป็นเนื้อเดียวกัน ppbg ซึ่งน้อยกว่า 180 ประชากรปกติ ภายหลังมีภาพที่ใช้สำหรับประเภทดังแสดงในรูปที่ 2 สำหรับ AMD drusen ( เหลือง ) และ haemorrhages เป็นสำคัญ สำหรับดร.