پاورپوینت کامل درخت‌های تصمیم ۴۰ اسلاید در PowerPoint

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

 پاورپوینت کامل درخت‌های تصمیم ۴۰ اسلاید در PowerPoint دارای ۴۰ 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 درخت‌های تصمیم ۴۰ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از مطالب داخلی اسلاید ها

پاورپوینت کامل درخت‌های تصمیم ۴۰ اسلاید در PowerPoint

اسلاید ۴: درخت تصمیم‌ چیست ؟ درخت تصمیم‌گیری ساختاری است که برای تقسیم مجموعه‌ای بزرگ از داده های جمع‌آوری شده به مجموعه‌های کوچکتر زنجیره‌وار داده ها بواسطه یک سری قوانین ساده تصمیم‌گیری به کار می‌رود. در هر تقسیم‌بندی متوالی، اعضای مجموعه های حاصل بیش از پیش به همدیگر مشابه می شوند. تقسیم‌بندی موجودات زنده براساس قلمروها، سلسله مراتب پیدایش، دسته ها، نظام تولد، خانواده، جنسیت و گونه ها که در دهه ۱۷۳۰ توسط گیاه‌شناس سوئدی کارل لینوس ابداع شد نمونه خوبی دراین زمینه است. در قلمروی حیوانات چنانچه موجود زنده‌ای دارای ستون فقرات باشد جزو دسته مهره داران قرار می‌گیرد. از دیگر ویژگی‌های مهره داران برای تقسیم‌بندی آنها به پرندگان، پستانداران، خزندگان و غیره استفاده می‌شود. این دسته بندی آنقدر ادامه می‌یابد تا در پایین‌ترین رده‌بندی، اعضای یک گونه هم ازنظر شکل شناسی و هم توانایی زاد و ولد و پرورش بچه های خود بهم شبیه باشند.

اسلاید ۵: یک مدل درخت تصمیم‌گیری از مجموعه ای از قوانین برای تقسیم جمعیت ناهمگن وسیعی به گروه‌های کوچکتر و همگن تر با توجه به یک متغیر هدف خاص تشکیل شده است. شاید تهیه درخت تصمیم‌گیری مشابه مدل کارل لینوس که به صورت دستی آماده شده طاقت فرسا باشد و شاید این کار به طور خودکار با اعمال برخی الگوریتم‌های درخت تصمیم‌گیری دریک مجموعه مدل حاوی داده‌های از قبل دسته بندی شده انجام شود. معمولاً متغیر هدف، دسته ای است و از مدل درخت تصمیم‌گیری استفاده می شود تا احتمال تخصیص داده های موجود به هر کدام از دسته ها محاسبه شود یا برای دسته بندی داده ها با تخصیص آن به محتمل ترین دسته به کاررود. همچنین می‌توان از پاورپوینت کامل درخت‌های تصمیم ۴۰ اسلاید در PowerPoint‌گیری برای برآورد مقدار متغیرهای پیوسته استفاده کرد هرچند که تکنیک های مناسبتری نیز برای انجام این کار وجود دارد. درخت تصمیم‌ چیست ؟

اسلاید ۶: دسته بندی آنهایی که با بازی بیست سؤالی آشناهستند خوب می‌دانند چگونه یک درخت تصمیم‌، داده‌ها را دسته بندی می‌کند. دراین بازی یک بازیکن، مکان ، شخص، یا شیئی خاص را که برای دیگر شرکت‌کنندگان آشنا است درنظر می‌گیرد ولی وی سرنخی به دیگران در این رابطه نمی‌دهد. بقیه بازیکنان سعی می‌کنند با طرح یک سری سؤالات و گرفتن پاسخ بله یا خیر آن را حدس بزنند. یک بازیکن خوب به ندرت نیاز به پرسیدن همه بیست سوال مجاز در بازی دارد تا از اولین سؤال خود که درجیب جا می‌شود؟ به پاسخ اصلی برج میلاد برسد.یک درخت تصمیم‌ نیز یک سری و زنجیره از این سوالات را مطرح می کند. همچون بازی بیست سؤالی، پاسخ به اولین سؤال تعیین کننده سوال بعدی است. سؤالات اولیه به ایجاد گروههای بسیار گسترده ای با اعضای فراوان کمک می کند و سؤالات بعدی این گروههای گسترده را به مجموعه‌های کوچکتر و کوچکتری محدود می‌کند. اگر سؤالات به خوبی انتخاب شوند آنگاه با یک سری محدود از سئوالات می توان به دسته بندی صحیح داده های ورودی پرداخت.

اسلاید ۷: بازی بیست سؤالی نشان دهنده فرآیند استفاده از یک درخت برای گنجاندن امتیاز یا دسته ای در داده ها است. یک سابقه اطلاعاتی در گره ریشه قرار می‌گیرد. دراینجا برای تعیین اینکه بعداً اطلاعات درج شده به کدام ریشه نونهال پیوند می‌خورد یک آزمایش صورت می‌گیرد. الگوریتم‌های گوناگونی برای انتخاب آزمایش اولیه وجود دارد اما هدف همه آنها یکی است و آن چیزی نیست جز انتخاب آزمایشی که بتواند بین دسته های هدف بهترین تمایز را قایل شود. این فرآیند آنقدر تکرار می‌شود تا یک سابقه اطلاعاتی به یک گره برگ برسد. تمام اطلاعاتی که به یک برگ در درخت تبدیل می‌شوند به طریقی مشابه دسته بندی می‌شوند و یک مسیرمنحصر به فرد از ریشه به برگ وجود خواهد داشت. چنین مسیری نشانگر یک قانون به کاررفته در دسته بندی سوابق اطلاعاتی است. شاید برگ‌های گوناگون دارای دسته بندی های مشابهی باشند هرچند که هر برگ به علت متفاوتی دسته بندی را انجام می دهد. به عنوان مثال درختی که میوه جات و سبزیجات را براساس رنگ آن میوه یا سبزی دسته بندی می کند، برگ درخت تصمیم سیب و گوجه فرنگی و گیلاس می تواند رنگ قرمز را پیش بینی کند هر چند احتیاطهایی را هم باید در نظر داشت چراکه سیب‌های سبز، گوجه فرنگی‌های زرد و گیلاس‌های سیاه رنگ هم وجود دارد. دسته بندی

اسلاید ۸: درخت تصمیم‌گیری موجود در شکل ۱-۶ فهرست گیرندگان احتمالی یک کاتالوگ خرید کالا را به صورت محتمل (۱) و غیر محتمل (۲) برای سفارش دادن پس از فرستادن کاتالوگ جدید دسته بندی می کند.این درخت براساس قواعد رایج در چرخه های داده کاوی تنظیم شده است بطوری که ریشه‌ها در بالا و برگ‌ها در پایین واقع شده اند. درسمت راست فوقانی هر گره یک شماره قراردارد و دسته پیش بینی شده هرکدام درمرکز درج شده است. قوانین تصمیم‌گیری برای تقسیم هر گره روی خطوطی که هر گره را به نونهالان خود وصل می‌کند چاپ شده است. تقسیم در گره ریشه‌ای که سفارشات مادام العمر نام دارد صورت گرفته است و شاخه سمت چپ به مشتریانی اختصاص یافته که شش سفارش یا کمتر داشته اند و شاخه سمت راست به مشتریانی با ۷ سفارش و بیشتر تعلق گرفته است.هر داده ای که به گره‌ها ی برگی ۱۹ ، ۱۴ ، ۱۶ ، ۱۷ یا ۱۸ برسد با عنوان متحمل به پاسخگویی دسته بندی می شود چرا که دسته پیش‌بینی شده دراین مورد یک است. مسیرهای منتهی به این گره‌های برگی قوانین درخت را بیان می کنند. به عنوان مثال، قانون مربوط به برگ ۱۹ از این قرار است: اگر مشتری بیش از ۵/۶ سفارش داشته باشد و کمتر از ۷۶۵ روز از آخرین سفارش وی بگذرد، احتمالا به کاتالوگ پاسخ خواهد داد.

اسلاید ۹: شاید خوانندگان هوشیار متوجه شوند که برخی تقسیم‌های درخت تصمیم‌ در ظاهر تغییری نمی کنند. مثلاً گره‌های ۱۷ و ۱۸ براساس تعداد سفارشاتی که شامل سفارشاتی از دسته خوراکی‌ها است متمایز شده اند. اما هر دو گره به عنوان پاسخ دهنده تعیین شده اند. علت این مسئله آن است که گذشته از بالاتر بودن احتمال پاسخ در گره ۱۸ نسبت به گره ۱۷، احتمال پاسخ در هر دو مورد بیش از حدی است که برای طبقه‌بندی یک سابقه اطلاعاتی به عنوان پاسخ دهنده تعیین شده است. این مدل به عنوان یک دسته بندی کننده فقط دو خروجی صفر و یک دارد. این دسته بندی دوگانه، اطلاعات سودمندی را نادیده می گیرد که مبحث جدید ما درباره استفاده از پاورپوینت کامل درخت‌های تصمیم ۴۰ اسلاید در PowerPoint‌ برای تهیه امتیازات و احتمالات است.

اسلاید ۱۰: امتیازدهی شکل ۲-۶ تصویری از همان درخت تصمیم‌گیری شکل ۱-۶ است که از یک آرایه درختی دیگر با وضعیت اصلاح شده استفاده شده است به طوریکه اینک درخت با اطلاعات بیشتر یعنی درصد اطلاعات در دسته یک در هر گره حاشیه نویسی شده است. حال به وضوح می‌توان دید که این درخت یک پایگاه اطلاعاتی حاوی نیمی‌از پاسخ دهنده ها و نیمی‌از غیر پاسخ دهنده ها را نشان می‌دهد چرا که گره ریشه‌ای دارای نسبت ۵۰ درصد است. این وضعیت دریک مجموعه آموزشی برای یک مدل پاسخگویی با متغیر هدف دوگانه رایج است. در شکل ۱-۶ هر گره با بیش از ۵۰ درصد پاسخ دهنده ها با عدد یک نشان داده شده است که شامل گره‌های ۱۷ و ۱۸ نیز می‌شود. شکل ۲-۶ تفاوت بین این گره‌ها را روشن می‌سازد. در گره ۱۷ به میزان ۸/۵۲ درصد سوابق اطلاعاتی نمایانگر واکنش است حال آنکه در گره ۱۸ این رقم به ۹/۶۶ درصد می‌رسد. معلوم است که یک سابقه اطلاعاتی در گره ۱۸ بیشتر می‌تواند نمایانگر یک پاسخ دهنده باشد تا یک سابقه داده در گره ۱۷. از نسبت اطلاعات در دسته دلخواه می‌توان به عنوان یک امتیاز استفاده کرد که اغلب از دسته بندی صرف مفیدتر است. برای یک نتیجه دوگانه، دسته بندی فقط می‌تواند داده ها را به دو گروه تقسیم کند ولی یک امتیاز به داده ها امکان می‌دهد تا اطلاعات را از محتمل ترین تا کم احتمال ترین افراد برای عضویت در دسته دلخواه مرتب کرد.

اسلاید ۱۱: دربسیاری از کاربردها به دست آوردن یک امتیاز که قادر به رتبه بندی یک فهرست باشد کافی خواهد بود. این دستاورد نیز برای انتخاب بالاترین درصد N برای ارسال کاتالوگ پستی و برای محاسبه صعود در ابعاد گوناگون فهرست کفایت خواهد کرد. اما در برخی کاربردها، علم به اینکه احتمال پاسخگویی A از B بیشتر است کافی نخواهد بود. ما می خواهیم درباره احتمال پاسخ گویی توسط A بیشتر بدانیم. با فرض اینکه احتمالت قبلی یک پاسخ را بدانیم آنگاه با آن می‌توانیم احتمال واکنش ناشی از امتیاز به دست آمده از داده‌هایی را که برای تهیه درخت تصمیم‌گیری نمونه گیری شده اند محاسبه کنیم. یا اینکه می‌توانیم مدل را برای داده‌های از پیش دسته بندی شده‌ای که دارای توزیع پاسخ ها و منعکس‌کننده آمار واقعی جمعیت است بکار ببریم. این روش با استفاده از نسبتهای دسته ها، در برگ‌های درخت امتیازاتی را ایجاد می‌کند که این احتمال را نشان می دهد که اطلاعات استخراج شده از یک جمعیت مشابه، عضو دسته مزبور باشد. امتیازدهی

اسلاید ۱۲: تخمین فرض کنید که یک سؤال مهم تجاری به جای آنکه عبارت: چه کسی پاسخ خواهد داد؟ عبارت: مقدار سفارش بعدی مشتری چقدر خواهد بود؟ باشد. با استفاده از درخت تصمیم‌گیری می‌توان به این سؤال نیز پاسخ داد. فرض کنید مقدار سفارش یکی از متغیرهای موجود در مجموعه مدل از پیش دسته بندی شده باشد آنگاه مقدار میانگین سفارش درهر برگ را می‌توان به عنوان مقدار سفارش تخمین زده شده برای هرگونه سابقه اطلاعاتی دسته بندی نشده‌ای به کار برد که معیارهای آن برگ را رعایت کند. حتی این امکان وجود دارد که از یک متغیر هدفمند عددی برای تهیه درخت استفاده کرد. چنین درختی را درخت تخمین زننده می‌نامند. به جای افزایش خلوص یک متغیردسته ای، هر تقسیم انجام شده در درخت برای کاهش واریانس ارقام متغیر هدف درهر گره نونهال انتخاب می‌شود.این حقیقت که از درختان می‌توان برای تخمین مقادیر پیوسته استفاده کرد ایده خوبی نیست. از یک تخمین زننده درخت تصمیم‌ می‌توان به تعداد برگهای موجود در درخت برای ایجاد مقادیر ناپیوسته استفاده نمود. بمنظور تخمین یک متغیر پیوسته، استفاده از یک تابع پیوسته ارجحیت دارد. مدل‌های رگرسیون و شبکه‌های عصبی عموماً برای انجام تخمین ها مناسب ترند.

اسلاید ۱۳: درختان با اشکال متفاوتی وجود دارند درخت موجود در شکل ۱-۶ از نوع دوگانه با ابعاد غیر یکسان است و به عبارتی هر گره غیربرگی دارای دو نونهال است و برگ‌های آن درفواصل مساوی از ریشه نیستند. دراین مورد هر گره نمایانگر یک سؤال بله یا خیر است که پاسخ به آن تعیین می‌کند یک سابقه اطلاعاتی باید کدامیک از دو مسیر را طی کند تا به مرحله بعدی درخت برسد. از آنجایی که هرگونه تقسیم چند مسیری را می‌توان به عنوان یک سری تقسیمات دوگانه بیان نمود نیاز واقعی به درختانی با عوامل شاخه ساز بیشتر نیست. با این حال بسیاری از ابزارهای داده‌کاوی قادر به ایجاد درخت‌هایی با بیش از دو شاخه‌اند. برای مثال، برخی الگوریتم‌های درخت تصمیم‌ با ایجاد یک شاخه برای هر دسته، متغیرهای دسته ای را تقسیم می‌کنند که این منجر به درختانی با تعداد مختلف شاخه ها در گره های گوناگون می‌شود. شکل ۳-۶ نشاندهنده درختی است که از هردو نوع تقسیم‌بندی سه مسیری و دو مسیری برای همان مسئله دسته بندی که در درخت موجود در شکلهای ۱-۶ و ۲-۶ به کار رفته استفاده می‌کند.لازم به ذکر است که رابطه‌ای بین تعداد شاخه‌های مجاز برای هر گره و تعداد دسته ها در متغیر هدف وجود ندارد. یک درخت دوگانه (یعنی درختی با تقسیم دوشاخه ای) را می‌توان برای دسته بندی اطلاعات به هر تعداد دسته و یک درخت با تقسیم چندگانه را می‌توان برای طبقه‌بندی یک متغیر هدف دوگانه به کار برد.

اسلاید ۱۴: یک درخت تصمیم‌ چگونه تهیه می شود با اینکه گونه‌های زیادی از الگوریتم‌های درخت تصمیم‌ وجود دارد ولی همه آنها از روند مشابهی پیروی می‌کنند که آن عبارت است از تقسیم مکرر داده‌ها به گروه‌های کوچک و کوچکتر به نحوی که با توجه به متغیر هدف هر ن