بخشی از پاورپوینت
اسلاید 1 :
یادگیری درخت تصمیم
Instructor :
اسلاید 2 :
مقدمه
در یک مسئله یادگیری با دو جنبه مختلف روبرو هستیم:
نحوه نمایش فرضیه ها
روشی که برای یادگیری برمی گزینیم
در این فصل برای نمایش فرضیه ها از درخت تصمیم استفاده میکنیم و برای یادگرفتن این درخت از روش ID3 استفاده میکنیم.
اسلاید 3 :
درخت تصمیم
درختها درهوش مصنوعی برای نمایش مفاهیم مختلفی نظیر ساختار جملات، معادلات، حالات بازی، و غیره استفاده میشود.
یادگیری درخت تصمیم روشی برای تقریب توابع هدف با مقادیر گسسته است. این روش نسبت به نویز داده هامقاوم بوده وقادر است ترکیب فصلی گزاره های عطفی را یاد بگیرد.
این روش جزو مشهورترین الگوریتمهای یادگیری استقرائی است که بصورت موفقیت آمیزی در کاربردهای مختلف بکار گرفته شده است.
اسلاید 4 :
نمایش درخت تصمیم
درخت تصمیم درختی است که در آن نمونه ها را به نحوی دسته بندی میکند که از ریشه به سمت پائین رشد میکنند و در نهایت به گره های برگ میرسد:
هر گره داخلی یاغیر برگ (non leaf) با یک ویژگی (attribute) مشخص میشود. این ویژگی سوالی را در رابطه با مثال ورودی مطرح میکند.
درهر گره داخلی به تعداد جوابهای ممکن با این سوال شاخه (branch) وجود دارد که هر یک با مقدار آن جواب مشخص میشوند.
برگهای این درخت با یک کلاس و یا یک دسته از جوابها مشخص میشوند.
علت نامگذاری آن با درخت تصمیم این است که این درخت فرایند تصمیم گیری برای تعیین دسته یک مثال ورودی را نشان میدهد.
اسلاید 5 :
مثالی از یک درخت تصمیم
محل درد
سرفه
شکم
باکتری
گلو
سکته
سینه
هیچکدام
بله
خیر
آپاندیس
ویروسی
بله
خیر
آنفولانزا
سرماخوردگی
بله
خیر
هیچکدام
هر برگ این درخت یک کلاس یا دسته را مشخص میکند.
یک مثال آموزشی در درخت تصمیم به این صورت دسته بندی میشود:
از ریشه درخت شروع میشود.
ویژگی معین شده توسط این گره تست می گردد.
و سپس منطبق با ارزش ویژگی در مثال داده شده در طول شاخه ها حرکت رو به پائین انجام می دهد.
این فرآیند برای گره های زیردرختان گره جدید تکرار می شود.
اسلاید 6 :
کاربردها
درخت تصمیم در مسایلی کاربرد دارد که بتوان آنها را بصورتی مطرح نمود که پاسخ واحدی بصورت نام یک دسته یا کلاس ارائه دهند.
برای مثال میتوان درخت تصمیمی ساخت که به این سوال پاسخ دهد: بیماری مریض کدام است؟ و یا درختی ساخت که به این سوال پاسخ دهد: آیا مریض به هپاتیت مبتلاست؟
برای مسائلی مناسب است که مثالهای آموزشی بصورت زوج (مقدار-ویژگی) مشخص شده باشند.
تابع هدف دارای خروجی با مقادیر گسسته باشد. مثلا هر مثال با بله و خیر تعیین شود.
نیاز به توصیف گر فصلی (disjunctive) باشد.
اسلاید 7 :
ویژگی های درخت تصمیم
برای تقریب توابع گسسته بکار می رود (classification)
نسبت به نویز داده های ورودی مقاوم است
برای داده های با حجم بالا کاراست از این رو درData mining استفاده می شود
می توان درخت را بصورت قوانین if-then نمایش داد که قابل فهم برای استفاده است
امکان ترکیب عطفی و فصلی فرضیه ها را می دهد
در مواردی که مثالهای آموزشی که فاقد همه ویژگیها هستند نیز قابل استفاده است
اسلاید 8 :
نحوه نمایش درخت تصمیم
ارتباط مستقیمی بین درخت
تصمیم ونمایش توابع منطقی
وجود دارد.درواقع هردرخت
تصمیم ترکیب فصلی گزاره های
عطفی است
مسیر از ریشه به برگ ترکیب عطفی (AND)از ویژگی ها را مشخص نموده و خوددرخت ترکیب فصلی(OR) این ترکیبات را میسازد.
اسلاید 9 :
مثال
ترکیب عطفی
Outlook=Sunny AND Wind=Normal
اسلاید 10 :
مثال
ترکیب فصلی
اسلاید 11 :
مثال
تابع XOR
اسلاید 12 :
الگوریتم یادگیری درخت تصمیم
اغلب الگوریتم های یادگیری درخت تصمیم بر پایه یک عمل جستجوی حریصانه (greedy) بالا به پائین (top-down) در فضای درختهای موجود عمل میکنند.
این الگوریتم پایه، Concept Learning System (CLS) نامیده می شود که در سال 1950 معرفی شده است.
این الگوریتم توسط Ross Quilan در سال 1986 بصورت کاملتری تحت عنوان Inducing Decisition trees (ID3) مطرح گردید.
بعدها الگوریتم کاملتر دیگری تحت عنوان C4.5 ارائه گردید که برخی نقائص ID3 را برطرف میکند.
اسلاید 13 :
ایده اصلی ID3
این ایده به Ocuum’s Razor مشهور است ومی گوید :
” دنیا ذاتا ساده است“
بنابراین از کوچکترین درخت تصمیم که با داده سازگار باشد انتظار می رود که مثالهای نادیده را به درستی دسته بندی کند.
اسلاید 14 :
بایاس درخت تصمیم
انتخاب درختهای کوچکتر
بایاس درخت تصمیم بر این ایده است که درختهای کوچکتر بر درختهای بزرگتر ترجیح داده شود.
اسلاید 15 :
سئوال
اگر مسئله ما دارای m ویژگی باشد، ارتفاع درخت تصمیم چقدر خواهد بود؟
جواب:
درخت تصمیم دارای یک ریشه است که آن خود یک ویژگی است،
در سئوال از آن ویژگی به پاسخی می رسیم که آن خود نیز، ویژگی است.
پس حداکثر ارتفاع درخت m خواهد بود. ویژگی1
ویژگی2
ویژگیm
دستهA دستهB
اسلاید 16 :
الگوریتم ID3
در این الگوریتم درخت تصمیم از بالا به پائین ساخته میشود. این الگوریتم با این سوال شروع میشود: کدام ویژگی باید در ریشه درخت مورد آزمایش قرار گیرد؟
برای یافتن جواب از یک آزمون آماری استفاده میشود تا مشخص گردد هر کدام تا چه حد قادر است به تنهائی مثالهای آزمایشی را دسته بندی کند.
با انتخاب این ویژگی، برای هر یک از مقادیر ممکن آن یک شاخه ایجاد شده و مثالهای آموزشی بر اساس ویژگی هر شاخه مرتب میشوند. سپس عملیات فوق برای مثالهای قرار گرفته در هر شاخه تکرار میشوند تا بهترین ویژگی برای گره بعدی انتخاب شود.
این الگوریتم یک جستجوی حریصانه است که در آن انتخاب های قبلی هرگز مورد بازبینی قرار نمیگیرند.
اسلاید 17 :
الگوریتم ID3
اسلاید 18 :
نحوه ساختن درخت
برای ساختن درخت تصمیم از مثالهائی استفاده میشود که علامت گذاری (label) شده باشند.
درواقع ورودی سیستم یادگیر مجموعه ای از مثالهاست که هر مثال توسط مجموعه ای از ویژگی ها بیان شده است، هرویژگی می تواند دارای مجموعه متناهی ازمقادیر مختلف باشد. برای هر مثال علاوه بر ویژگیها مقدار دسته بندی آن نیز لازم می باشد.
در این فصل با درختهای تصمیمی آشنا خواهیم شد که برای دسته بندی بولی بکار می روند ولی درحالت کلی می توان یک درخت تصمیم ساخت که برای هر نوع دسته بندی بکار می رود.
اسلاید 19 :
کدام ویژگی طبقه بندی کننده بهتری است؟
در درخت تصمیم (ID3) از یک مقدار آماری به نام بهره اطلاعات Information Gain استفاده می شود تا اینکه مشخص کنیم که یک ویژگی تا چه مقدار قادر است مثالهای آموزشی را بر حسب دسته بندی آنها جدا کند.
اسلاید 20 :
مثال
برای یادگیری نحوه دسته بندی مثال ساده ای را بررسی می کنیم.
در مثال ذیل کدام ویژگی باید در ریشه درخت قرار گیرد؟
با توجه به صفحه عبوری از مکعب زیر x0 یا x2 می توانند ریشه باشند
