پاورپوینت کامل آشنایی با درخت های تصمیم گیری ۵۸ اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل آشنایی با درخت های تصمیم گیری ۵۸ اسلاید در PowerPoint دارای ۵۸ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل آشنایی با درخت های تصمیم گیری ۵۸ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل آشنایی با درخت های تصمیم گیری ۵۸ اسلاید در PowerPoint

اسلاید ۴: ۴مقدمهبردار ویژگی: دوتایی (X,Y) بیانگر بردار ویژگی (الگو) X است و Y برچسب کلاس مربوطه است. اجزاء X همان ویژگی‌های مورد نظر هستند.الگوی مرتب: اگر ویژگی‌های X دارای مقادیری از یک مجموعه مرتب باشند، X را یک الگوی مرتب (orderd)یا عددی(numerical) می‌نامیم .الگوی حتمی: اگر ویژگی‌های بردار مقادیری اختیار کنند که دارای ترتیب طبیعی نباشند، آن را یک الگوی حتمی (Categorical) می‌نامند.ویژگی‌های عددی (مرتب) ممکن است دارای مقادیر گسسته یا پیوسته باشند.روش های دسته بندی:تک مرحله ایچند مرحله ایمقادیر ویژگی ها:پیوستهگسسته

اسلاید ۵: ۵معرفی درخت تصمیم گیری و برخی تعاریف مورد نیازنمایی از یک درخت تصمیم گیری:

اسلاید ۶: ۶معرفی درخت تصمیم گیری و برخی تعاریف مورد نیازمیانگین تعداد لایه‌ها از ریشه تا گره‌های پایانی را عمق متوسط می‌نامیم.میانگین تعداد گره‌های میانی در هر سطح درخت عرض متوسط درخت نامیده می‌شود.اگر دو گره داخلی حداقل دارای یک کلاس مشترک باشند در این حالت گفته می‌شود که کلاس‌ها دارای روی هم افتادگی (Overlap) هستند.

اسلاید ۷: ۷معرفی درخت تصمیم گیری و برخی تعاریف مورد نیازنحوه انتساب کلاس به یک بردار ورودی در درخت تصمیم گیری:بردار ورودی در گره ریشه قرار می گیرید.بردار ورودی در هر گرهی که قرار می گیرد با توجه به ارزیابی انجام شده در یکی از شاخه ها پایین می رود تا در یک برگ قرار بگیرد.برچسب برگی که گره در آن قرار می گیرد به عنوان برچسب بردار برگردانده می شود.

اسلاید ۸: ۸معرفی درخت تصمیم گیری و برخی تعاریف مورد نیازمزایا:قوانین تولید شده و به کارگرفته شده قابل استخراج و قابل فهم.کار با داده های پیوسته و گسسته.استفاده از نواحی تصمیم گیری ساده.حذف مقایسه های غیرضروری.استفاده از ویژگی های متفاوت برای نمونه های مختلف. احتیاجی به تخمین تابع توزیع نیست.

اسلاید ۹: ۹معرفی درخت تصمیم گیری و برخی تعاریف مورد نیازمعایب:در مواردی که هدف تخمین تابعی با مقادیر پیوسته است مناسب نیستند.در موارد با تعداد کلاس زیاد و نمونه آموزشی کم، احتمال خطا بالاست.هزینه محاسباتی بالای تولید درخت تصمیم گیری.هرس کردن درخت نیز هزینه بالایی دارد.در مسائلی که کلاس های ورودی با نواحی مکعبی به خوبی جدا نشوند خوب عمل نمی کنند.زیاد شدن گره پایانی در صورت روی هم افتادگی گره ها.انباشته شدن خطای لایه ها بر روی یکدیگر.طراحی درخت تصمیم گیری بهینه مشکل است.

اسلاید ۱۰: ۱۰طراحی درخت تصمیم گیری

اسلاید ۱۱: ۱۱طراحی درخت تصمیم گیریاهداف اصلی درخت‌های تصمیم‌گیری دسته‌بندی کننده:داده‌های ورودی را تا حد ممکن درست دسته‌بندی کنند.دانش آموخته شده از داده‌های آموزشی را به گونه‌ای عمومیت ببخشند که داده‌های دیده نشده را با بالاترین دقت ممکن دسته‌بندی کنند.در صورت اضافه شدن داده‌های آموزشی جدید بتوان به راحتی درخت تصمیم‌گیری را گسترش داد(دارای خاصیت افزایشی باشند).ساختار درخت حاصل به ساده‌ترین شکل ممکن باشد.

اسلاید ۱۲: ۱۲طراحی درخت تصمیم گیریگام‌های لازم برای طراحی یک درخت تصمیم‌گیری:انتخاب مناسبی برای ساختار درخت.انتخاب ویژگی‌هایی مورد نظر برای تصمیم‌گیری در هر یک از گره‌های میانی.انتخاب قانون تصمیم‌گیری یا استراتژی مورد استفاده در هر یک از گره‌های میانی.

اسلاید ۱۳: ۱۳طراحی درخت تصمیم گیریروش‌های هیوریستیک ساخت درخت تصمیم‌گیری:روش‌های پایین به بالاروش‌های بالا به پایینروش ترکیبیروش‌های رشد دهنده-هرس کننده

اسلاید ۱۴: ۱۴طراحی درخت تصمیم گیریروش‌های پایین به بالا:درخت تصمیم گیری از پایین به بالا با حرکت از برگ ها به سمت ریشه ساخته می شود.در هر مرحه دو یا چند کلاس بر اساس معیاری با یکدیگر ترکیب می شوند.فرآیند ترکیب کلاس ها تا زمانی که تنها یک کلاس باقی بماند ادامه می یابد.

اسلاید ۱۵: ۱۵طراحی درخت تصمیم گیریروش‌های بالا به پایین :در روش‌های بالا به پایین برای طراحی درخت تصمیم‌گیری سه کار زیر انجام می گیرد:انتخاب یک قانون برای تقسیم گره‌ها.تصمیم‌گیری در مورد اینکه چه گره‌هایی گره پایانی هستند.انتساب برچسب کلاس به گره‌های پایانی.اکثر کارهای انجام شده در زمینه درخت های تصمیم گیری روش های بالا به پایین هستند.نمونه الگوریتم های بالا به پایین:ID3، ID4، ID5R، C4.5، CART

اسلاید ۱۶: ۱۶طراحی درخت تصمیم گیریروش های رشد دهنده-هرس کننده:در این روش ابتدا درخت تصمیم گیری با استفاده از روشی همچون یک روش بالا به پایین ساخته می شود.در مرحله بعد با استفاده از یک الگوریتم هرس شاخه های اضافی درخت حذف می شوند.الگوریتم CART از جمله این الگوریتم هاست.الگوریتم C4.5 نیز دارای یک الگوریتم هرس می باشد.

اسلاید ۱۷: ۱۷طراحی درخت تصمیم گیریروش های ترکیبی:در این روش ها از هر دو روش بالا به پایین و پایین به بالا استفاده می شود.

اسلاید ۱۸: ۱۸پرسش های مطرح برای درخت تصمیم گیری (CART)

اسلاید ۱۹: ۱۹پرسش های مطرح برای درخت تصمیم گیری CARTالگوریتم ساخت درخت CART:Classification And Regression Trees (CART)Bereiman(1983)ارائه نرم افزاری با همین نام که این الگوریتم را پیاده سازی می کند توسط Salford Systems الگوریتم های دیگری مشابه الگوریتم CART پیاده سازی شده و نشان داده شده که از CART بهتر عمل می کنند.

اسلاید ۲۰: ۲۰پرسش های مطرح برای درخت تصمیم گیری CARTبرای ساخت درخت تصمیم گیری با استفاده از الگوریتم CART و بسیاری از الگوریتم های دیگر ساخت درخت باید به پرسش های زیر پاسخ داد:ویژگی‌ها به مقادیر دوتایی محدود می‌شوند یا می‌توانند چند مقدار داشته باشند؟ تعداد مقادیر ویژگی‌ها تعداد خروجی‌های هر گره را مشخص می‌کند.در هر گره چه ویژگی باید ارزیابی شود؟چه موقع یک گره را به عنوان گره پایانی اعلام کنیم؟اگر درخت تصمیم‌گیری خیلی بزرگ شد چگونه می‌توان آن را کوچکتر (ساده‌تر) کرد؟ پاسخ این پرسش الگوریتم هرس را مشخص می‌کند.اگر یک برگ درخت دارای ناخالص