1) Decision tree builds classificat

1) Decision tree builds classification or regression models in the form of a tree structure. It breaks down a dataset into smaller and smaller subsets while at the same time an associated decision tree is incrementally developed. The final result is a tree with decision nodes and leaf nodes. A decision node (e.g., Outlook) has two or more branches (e.g., Sunny, Overcast and Rainy). Leaf node (e.g., Play) represents a classification or decision. The topmost decision node in a tree which corresponds to the best predictor called root node. Decision trees can handle both categorical and numerical data.

Fig. 1. Decision Tree Classification
The core algorithm for building decision trees called ID3 by J. R. Quinlan which employs a top-down, greedy search through the space of possible branches with no backtracking. ID3 uses Entropy and Information Gain to construct a decision tree.
In decision analysis a decision tree and the closely related influence diagram are used as a visual and analytical decision support tool, where the expected values (or expected utility) of competing alternatives are calculated. A decision tree consists of 3 types of nodes:
• Decision nodes - commonly represented by squares
• Chance nodes - represented by circles
• End nodes - represented by triangles
Decision trees are commonly used in operations research, specifically in decision analysis, to help identify a strategy most likely to reach a goal. If in practice decisions have to be taken online with no recall under incomplete knowledge, a decision tree should be paralleled by a probability model as a best choice model or online selection model algorithm. Another use of decision trees is as a descriptive means for calculating conditional probabilities.

ผลลัพธ์ (ไทย) 1:

1) แผนภูมิตัดสินใจสร้างรูปแบบการจัดประเภทหรือถดถอยในรูปแบบของโครงสร้างต้นไม้ จะแบ่งชุดข้อมูลเป็นชุดย่อยขนาดเล็ก และขนาดเล็กในขณะเวลาเดียวกัน ต้นไม้การตัดสินใจที่เกี่ยวข้องเป็นแบบเพิ่มหน่วยพัฒนา ผลสุดท้ายเป็นตัดสินโหนดและโหนโหนดปลายสุด โหนตัดสินใจ (เช่น Outlook) มีอย่าง น้อยสองสาขา (เช่น ซันนี่ Overcast และฝน) โหนดสาขา (เช่น เล่น) หมายถึงประเภทหรือการตัดสินใจ โหนตัดสินอยู่ด้านบนสุดในแผนภูมิซึ่งสอดคล้องกับจำนวนประตูที่ดีที่สุดเรียกว่าโหนดราก ต้นไม้การตัดสินใจสามารถจัดการกับข้อมูลที่แน่ชัด และเป็นตัวเลข Fig. 1 การจัดประเภทแผนภูมิการตัดสินใจ อัลกอริทึมหลักสำหรับการสร้างต้นไม้ตัดสินใจเรียกว่า ID3 โดย Quinlan R. J. ที่มีการค้นหาบนลงล่าง ตะกละผ่านช่องว่างของสาขาเป็นไปได้กับไม่ backtracking ID3 ใช้เอนโทรปีและได้รับข้อมูลการสร้างต้นไม้ตัดสินใจ ในการวิเคราะห์ตัดสินใจ ต้นไม้ตัดสินใจและแผนภาพอิทธิพลที่เกี่ยวข้องอย่างใกล้ชิดจะใช้เป็นเครื่องมือมองเห็น และวิเคราะห์ตัดสินใจสนับสนุน ที่คำนวณค่าคาดหมาย (หรือโปรแกรมอรรถประโยชน์ที่คาดว่า) ตัวเลือกแข่งขัน ต้นไม้ตัดสินใจประกอบด้วย 3 ชนิดของโหน:•ตัดสินใจโหน - มักแสดง ด้วยสี่เหลี่ยม•โอกาสโหน - แทน ด้วยวงกลม•สิ้นโหน - แทน ด้วยสามเหลี่ยม ต้นไม้การตัดสินใจโดยทั่วไปจะใช้ในการดำเนินงานวิจัย โดยเฉพาะอย่างยิ่งในการวิเคราะห์การตัดสินใจ เพื่อช่วยระบุกลยุทธ์ที่มักไปถึงเป้าหมาย ถ้าในทางปฏิบัติ ตัดสินใจควรออนไลน์ ด้วยการเรียกคืนภายใต้ความรู้สมบูรณ์ ต้นไม้การตัดสินใจควรแห่งดวง โดยแบบจำลองความน่าเป็นแบบจำลองทางเลือกดีที่สุดหรือเลือกออนไลน์รุ่นอัลกอริทึม ต้นไม้ตัดสินใจใช้อีกเป็นวิธีสื่อความหมายสำหรับการคำนวณแบบมีเงื่อนไขกิจกรรม

ผลลัพธ์ (ไทย) 2:

1) การตัดสินใจสร้างต้นไม้การจัดหมวดหมู่หรือรูปแบบการถดถอยในรูปแบบของโครงสร้าง แบ่งลงชุดข้อมูลที่เข้ามาในส่วนย่อยที่มีขนาดเล็กและขนาดเล็กในขณะที่ในเวลาเดียวกันต้นไม้ตัดสินใจที่เกี่ยวข้องได้รับการพัฒนาเพิ่มขึ้น ผลสุดท้ายคือต้นไม้ที่มีโหนดตัดสินใจและโหนดใบ โหนดการตัดสินใจ (เช่น Outlook) มีสองคนหรือมากกว่าสาขา (เช่นซันนี่มืดครึ้มและฝนตก) โหนดใบ (เช่นเล่น) แสดงให้เห็นถึงการจัดหมวดหมู่หรือการตัดสินใจ โหนดการตัดสินใจสูงสุดในต้นไม้ซึ่งสอดคล้องกับทำนายที่ดีที่สุดที่เรียกว่าโหนดราก ต้นไม้ตัดสินใจสามารถจัดการข้อมูลทั้งตัวเลขและเด็ดขาด. รูป 1. การตัดสินใจต้นไม้การจัดหมวดหมู่หลักอัลกอริทึมสำหรับต้นไม้ที่เรียกว่าการตัดสินใจของอาคาร ID3 โดยเจอาร์ควินแลนซึ่งมีพนักงานจากบนลงล่าง, การค้นหาโลภผ่านพื้นที่ของสาขาที่เป็นไปได้กับการย้อนรอยไม่มี ID3 ใช้เอนโทรปีและข้อมูลเกี่ยวกับกำไรที่จะสร้างต้นไม้ตัดสินใจ. ในการวิเคราะห์การตัดสินใจต้นไม้ตัดสินใจและแผนภาพอิทธิพลที่เกี่ยวข้องอย่างใกล้ชิดจะถูกใช้เป็นการตัดสินใจของภาพและการวิเคราะห์เครื่องมือสนับสนุนที่คาดว่าค่า (หรือยูทิลิตี้คาดว่า) ทางเลือกการแข่งขันจะมีการคำนวณ ต้นไม้ตัดสินใจประกอบด้วย 3 ประเภทของโหนด: โหนดตัดสินใจ• - ตัวแทนโดยทั่วไปสี่เหลี่ยม•โหนดโอกาส - ตัวแทนจากวงการ•โหนด End - ตัวแทนจากสามเหลี่ยมต้นไม้การตัดสินใจเป็นที่นิยมใช้ในการวิจัยการดำเนินงานโดยเฉพาะในการวิเคราะห์การตัดสินใจที่จะช่วยในการระบุ กลยุทธ์ส่วนใหญ่มีแนวโน้มที่จะบรรลุเป้าหมาย หากในการตัดสินใจทางปฏิบัติจะต้องมีการดำเนินการออนไลน์ที่มีการเรียกคืนภายใต้ความรู้ที่ไม่สมบูรณ์ไม่มีต้นไม้ตัดสินใจควรได้รับการขนานรูปแบบความน่าจะเป็นรูปแบบการเลือกที่ดีที่สุดหรือขั้นตอนวิธีการเลือกรูปแบบออนไลน์ การใช้งานของต้นไม้การตัดสินใจก็คือเป็นวิธีอธิบายสำหรับการคำนวณความน่าจะเป็นเงื่อนไข

ผลลัพธ์ (ไทย) 3:

1 ) การตัดสินใจแบบต้นไม้สร้างหมวดหมู่หรือถดถอยแบบจำลองในรูปของโครงสร้างต้นไม้ มันแบ่งชุดข้อมูลเป็นข้อมูลที่มีขนาดเล็กและขนาดเล็กในขณะที่ในเวลาเดียวกันที่โครงสร้างการตัดสินใจพัฒนาเพิ่มทีละขั้น ผลสุดท้ายคือ ต้นไม้ กับ การตัดสินใจ และโหนดโหนดใบ การตัดสินใจของโหนด ( เช่น Outlook ) ได้มากกว่าสองสาขา ( เช่น , แดด , มืดครึ้มและฝนตก ) ของโหนดใบ ( Eกรัม เล่น ) หมายถึงหมวดหมู่ หรือการตัดสินใจ โหนดในต้นไม้การตัดสินสูงสุด ซึ่งตรงกับสามารถทำนายเรียกว่าโหนดราก ต้นไม้การตัดสินใจสามารถจัดการทั้งเชิงคุณภาพและข้อมูลเชิงตัวเลข .

รูปที่ 1 ต้นไม้ตัดสินใจการจำแนกขั้นตอนวิธีต้นไม้การตัดสินใจ
หลักอาคารที่เรียกว่า ID3 โดยเจ. อาร์. ควินแลนที่ใช้เป็นแบบบนลงล่างโลภค้นหาผ่านพื้นที่ของสาขาเป็นไปไม่ย้อนรอย . ID3 ใช้เอนโทรปีและข้อมูลได้รับการสร้างต้นไม้การตัดสินใจ .
ในการวิเคราะห์การตัดสินใจการตัดสินใจแบบต้นไม้ และอิทธิพลที่เกี่ยวข้องอย่างใกล้ชิด แผนภาพที่ใช้เป็นภาพและวิเคราะห์เครื่องมือสนับสนุนการตัดสินใจ ซึ่งคาดว่าค่า ( หรืออรรถประโยชน์ที่คาดหวัง ) ทางเลือกของการแข่งขันที่มีการคํานวณโครงสร้างการตัดสินใจประกอบด้วย 3 ประเภทของโหนดแต่ละโหนด - ทั่วไป :
ตัดสินใจแทน โดยแต่ละโหนดสี่เหลี่ยม
โอกาส - แสดงโดยวงกลม
- ปลายโหนด - แสดงโดยสามเหลี่ยม
ต้นไม้ตัดสินใจมักใช้ในการวิจัยการดำเนินงาน โดยเฉพาะในการวิเคราะห์การตัดสินใจเพื่อช่วยระบุกลยุทธ์ส่วนใหญ่มีแนวโน้มที่จะไปถึงเป้าหมายถ้าการตัดสินใจในการปฏิบัติ ต้องได้รับออนไลน์กับไม่เรียกคืนภายใต้ความรู้ไม่สมบูรณ์ โครงสร้างการตัดสินใจควรจะได้โดยแบบจำลองความน่าจะเป็นเป็นทางเลือกที่ดีที่สุดที่ออนไลน์เลือกรูปแบบหรือแบบจำลองขั้นตอนวิธี อื่นใช้ต้นไม้ตัดสินใจเป็นวิธีการเชิงคำนวณความน่าจะเป็นแบบมีเงื่อนไข .