This HTML5 document contains 179 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dbthttp://dbpedia.org/resource/Template:
n35http://bn.dbpedia.org/resource/
wikipedia-enhttp://en.wikipedia.org/wiki/
dbrhttp://dbpedia.org/resource/
n38https://technet.microsoft.com/en-us/library/
dbpedia-arhttp://ar.dbpedia.org/resource/
dbpedia-hehttp://he.dbpedia.org/resource/
n22http://commons.wikimedia.org/wiki/Special:FilePath/
dbpedia-frhttp://fr.dbpedia.org/resource/
dcthttp://purl.org/dc/terms/
rdfshttp://www.w3.org/2000/01/rdf-schema#
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n30http://lv.dbpedia.org/resource/
n32http://dbpedia.org/resource/File:
dbphttp://dbpedia.org/property/
dbpedia-euhttp://eu.dbpedia.org/resource/
xsdhhttp://www.w3.org/2001/XMLSchema#
dbpedia-ukhttp://uk.dbpedia.org/resource/
dbohttp://dbpedia.org/ontology/
dbpedia-pthttp://pt.dbpedia.org/resource/
dbchttp://dbpedia.org/resource/Category:
dbpedia-plhttp://pl.dbpedia.org/resource/
n9http://ckb.dbpedia.org/resource/
n14http://christianherta.de/lehre/dataScience/machineLearning/
yagohttp://dbpedia.org/class/yago/
n39https://www.cs.kent.ac.uk/people/staff/mg483/code/evoldectrees/
dbpedia-ruhttp://ru.dbpedia.org/resource/
wikidatahttp://www.wikidata.org/entity/
yago-reshttp://yago-knowledge.org/resource/
n34https://global.dbpedia.org/id/
dbpedia-cahttp://ca.dbpedia.org/resource/
provhttp://www.w3.org/ns/prov#
foafhttp://xmlns.com/foaf/0.1/
n28http://or.dbpedia.org/resource/
dbpedia-zhhttp://zh.dbpedia.org/resource/
dbpedia-kohttp://ko.dbpedia.org/resource/
n20http://lt.dbpedia.org/resource/
n16https://www-bcf.usc.edu/~gareth/ISL/
dbpedia-fahttp://fa.dbpedia.org/resource/
dbpedia-eshttp://es.dbpedia.org/resource/
freebasehttp://rdf.freebase.com/ns/
owlhttp://www.w3.org/2002/07/owl#

Statements

Subject Item
dbr:Decision_tree_learning
rdf:type
yago:Abstraction100002137 yago:YagoPermanentlyLocatedEntity yago:WikicatClassificationAlgorithms yago:Procedure101023820 yago:Act100030358 yago:Event100029378 yago:Activity100407535 yago:PsychologicalFeature100023100 yago:Rule105846932 yago:Algorithm105847438
rdfs:label
Drzewa klasyfikacyjne Erabaki-zuhaitzen bidezko ikaskuntza 决策树学习 Arbre de décision (apprentissage) Обучение дерева решений Дерева рішень у машинному навчанні Decision tree learning Aprendizaje basado en árboles de decisión Aprenentatge basat en arbres de decisió تعلم شجرة القرار Aprendizagem de árvore de decisão 결정 트리 학습법
rdfs:comment
决策树学习是统计学、数据挖掘和机器学习中使用的一种预测建模方法。它使用决策树作为，从样本的观测数据（对应决策树的分支）推断出该样本的预测结果（对应决策树的叶节点）。 按预测结果的差异，决策树学习可细分两类。（1）分类树，其预测结果仅限于一组离散数值。树的每个分支对应一组由逻辑与连接的分类特征，而该分支上的叶节点对应由上述特征可以预测出的分类标签。（2）回归树，其预测结果为连续值（例如实数）。 在决策分析中，一棵可视的决策树可以向使用者形象地展示决策的结果和过程。在数据挖掘和机器学习中，一棵决策树主要用于描述数据（此后亦可基于习得的预测模型去支持决策)。本页侧重描述数据挖掘中的决策树。 تعلم شجرة القرار (بالإنجليزية: Decision tree learning)‏ تستخدم شجرة القرار للانطلاق من الملاحظات حول عنصر معين إلى الاستنتاج حول القيمة التي يحملها ذلك العنصر ممثلة بأوراق الشجرة، فيما يمثل العنصر ذاته بفروع الشجرة. وشجرة تعلم القرار هي إحدى طرق النمذجة التنبؤية التي تستخدم في الإحصاء، استخراج البيانات و تعلم الآلة. تأخذ المتغيرات مجموعة منفصلة من القيم في أشجار القرار التي تُدعى بأشجار التصنيف؛ حيث تمثل الأوراق في هيئة الشجرة تصنيفات معينة فيما تمثل الفروع نقاط اقتران منطقي للخصائص التي تؤدي إلى تلك التصنيفات. أما أشجار القرار التي تستهدف متغيرات رقمية ذات قيم مستمرة (أرقام حقيقية) فتسمى بأشجار الانحدار (نسبة إلى الانحدار الخطي). في تحليل اتخاذ القرار، يُمكن أن تستخدم شجرة القرار لتمثيل القرارات وعمليات اتخاذ القرار بصرياً. في عمليات التنقيب في البيانات تصف أشجار القرار البيانات (لكن ناتج Decision tree learning is a supervised learning approach used in statistics, data mining and machine learning. In this formalism, a classification or regression decision tree is used as a predictive model to draw conclusions about a set of observations. Decision trees are among the most popular machine learning algorithms given their intelligibility and simplicity. L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif. On l'utilise notamment en fouille de données et en apprentissage automatique. C'est une technique d'apprentissage supervisé : on utilise un ensemble de données pour lesquelles on connaît la valeur de la variable-cible afin de construire l'arbre (données dites étiquetées), puis on extrapole les résultats à l'ensemble des données de test. Les arbres de décision font partie des algorithmes les plus populaires en apprentissage automatique. Drzewa klasyfikacyjne – zbiorcza nazwa rodziny metod statystycznych z zakresu eksploracji danych, dokonujących za pomocą diagramów zwanych drzewami obserwacji statystycznych, czyli podziału próby statystycznej na klasy obserwacji o podobnych właściwościach. Metoda drzew klasyfikacyjnych jest odmianą hierarchicznej analizy skupień. Jeśli drzewo stosujemy do klasyfikowania realnych sytuacji, a wynikiem klasyfikacji jest decyzja, jaka ma być w danej sytuacji podjęta, drzewo jest też nazywane drzewem decyzyjnym. Aprendizaje basado en árboles de decisión utiliza un árbol de decisión como un que mapea observaciones sobre un artículo a conclusiones sobre el valor objetivo del artículo. Es uno de los enfoques de modelado predictivo utilizadas en estadísticas, minería de datos y aprendizaje automático. Los modelos de árbol, donde la variable de destino puede tomar un conjunto finito de valores se denominan árboles de clasificación. En estas estructuras de árbol, las hojas representan etiquetas de clase y las ramas representan las conjunciones de características que conducen a esas etiquetas de clase. Los árboles de decisión, donde la variable de destino puede tomar valores continuos (por lo general números reales) se llaman árboles de regresión. Los árboles de decisión se encuentran entre los algoritm O aprendizado de árvore de decisão ou indução de árvores de decisão é uma das abordagens de modelagem preditiva usadas em estatística, mineração de dados e aprendizado de máquina. Ele usa uma árvore de decisão (como um modelo preditivo) para ir de observações sobre um item (representado nos ramos) para conclusões sobre o valor alvo do item (representado nas folhas). Os modelos de árvore em que a variável de destino pode assumir um conjunto discreto de valores são chamados de árvores de classificação; nessas estruturas de árvore, as folhas representam rótulos de classe e os ramos representam conjunções de características que levam a esses rótulos de classe. As árvores de decisão em que a variável de destino pode assumir valores contínuos (normalmente números reais) são chamadas de árvores d L'aprenentatge basat en arbres de decisió és un mètode de modelatge predictiu utilitzat en l'estadística, la mineria de dades i l'aprenentatge automàtic. Consisteix en la selecció automàtica d'un arbre de decisió (com a ), que utilitza observacions de les variables independents (representades a les branques) per a deduir el valor de la variable dependent (representada en les fulles). Els arbres de decisió on la variable dependent és discreta s'anomenen arbres de classificació. En aquestes estructures, les fulles representen etiquetes de classe i les branques representen conjuncions de característiques que dirigeixen a les etiquetes corresponents. Els arbres de decisió on la variable dependent és contínua (típicament números reals) s'anomenen arbres de regressió. Els arbres de decisió són u Дерева рішень у машинному навчанні використовуються як передбачувальні моделі, що відображають знання про об'єкт (представлені гілками) у множину рішень. Це один з підходів до передбачувального моделювання у статистиці, добуванні даних та машинному навчанні. 결정 트리 학습법(decision tree learning)은 어떤 항목에 대한 관측값과 을 연결시켜주는 예측 모델로서 결정 트리를 사용한다. 이는 통계학과 데이터 마이닝, 기계 학습에서 사용하는 예측 모델링 방법 중 하나이다. 트리 모델 중 목표 변수가 유한한 수의 값을 가지는 것을 라 한다. 이 트리 구조에서 잎(리프 노드)은 클래스 라벨을 나타내고 가지는 클래스 라벨과 관련있는 특징들의 논리곱을 나타낸다. 결정 트리 중 목표 변수가 연속하는 값, 일반적으로 실수를 가지는 것은 라 한다. 의사 결정 분석에서 결정 트리는 시각적이고 명시적인 방법으로 의사 결정 과정과 결정된 의사를 보여주는데 사용된다. 데이터 마이닝 분야에서 결정 트리는 결정된 의사보다는 자료 자체를 표현하는데 사용된다. 다만, 데이터 마이닝의 결과로서의 분류 트리는 의사 결정 분석의 입력 값으로 사용될 수 있다. 이 페이지는 데이터 마이닝 분야에서의 결정 트리를 주로 다룬다. Erabaki-zuhaitzen bidezko ikaskuntza eredu iragarle moduan erabiltzen duen teknika da. Estatistikan, datu-meatzaritzan eta ikasketa automatikoan asko erabiltzen den eredu iragarlea da. Erabaki-aldagaia (edo klase-aldagaia) diskretua denean (balio kopuru finitua hartzen duenean) erabaki-zuhaitzak sailkatze-zuhaitz izena hartzen du eta jarraia denean (aldagaiak balio erreala hartzen duenean), erregresio-zuhaitz izena. Artikulu hau datu-meatzaritzan erabiltzen diren erabaki-zuhaitzei buruzkoa da. Обучение дерева решений использует дерево решений (как ), чтобы перейти от наблюдений над объектами (представленными в ветвях) к заключениям о целевых значениях объектов (представленных в листьях). Это обучение является одним из подходов моделирования предсказаний, используемых в статистике, интеллектуальном анализе данных и обучении машин. Модели деревьев, в которых целевая переменная может принимать дискретный набор значений, называются деревьями классификации. В этих структурах деревьев листья представляют метки классов, а ветки представляют конъюнкции признаков, которые ведут в эти метки классов. Деревья решений, в которых целевая переменная может принимать непрерывные значения (обычно, вещественные числа) называются деревьями регрессии.
foaf:depiction
n22:Decision_Tree.jpg n22:Cart_tree_kyphosis.png
dct:subject
dbc:Decision_trees dbc:Classification_algorithms
dbo:wikiPageID
577003
dbo:wikiPageRevisionID
1123098432
dbo:wikiPageWikiLink
dbr:Random_forest dbr:C4.5_algorithm dbr:Multivariate_adaptive_regression_splines dbr:Information_gain dbr:SAS_(software) dbr:Classification dbr:NP-complete dbr:Classification_tree dbr:ID3_algorithm dbr:SPSS_Modeler dbr:Dummy_variable_(statistics) dbr:Greedy_algorithm dbr:Chi-square_automatic_interaction_detection dbr:Mutual_information dbr:Information_gain_in_decision_trees dbr:Information_gain_ratio dbr:Information_content dbr:Structured_data_analysis_(statistics) dbr:Corrado_Gini dbr:Overfitting dbr:Exclusive_or dbr:Statistics dbr:Principal_component_analysis dbr:Kyphosis dbr:CHAID dbr:Training,_test,_and_validation_sets dbr:Decision-tree_pruning dbr:Information_theory dbr:Alternating_decision_tree dbr:Weka_(machine_learning) dbr:Variance dbr:Fuzzy_set_theory dbr:Feature_(machine_learning) dbr:Feature_selection dbc:Decision_trees dbr:Set_(mathematics) dbr:Confusion_matrix dbr:Machine_learning dbr:KNIME dbr:Artificial_neural_network dbr:Regression_analysis dbr:Predictive_model dbr:Boolean_function n32:Decision_Tree.jpg dbr:Pruning_(decision_trees) dbr:Matlab dbr:Python_(programming_language) dbr:White_box_(software_engineering) dbr:Black_box dbr:Categorical_variable dbr:AdaBoost dbr:Gradient_boosted_trees dbr:Leo_Breiman dbc:Classification_algorithms dbr:Decision_stump dbr:Markov_chain_Monte_Carlo dbr:Logical_conjunction dbr:Decision_list dbr:Minimum_message_length dbr:R_(programming_language) dbr:Decision_tree dbr:Umbrella_term dbr:Bootstrap_aggregating dbr:Incremental_decision_tree dbr:Tsallis_Entropy dbr:Microsoft_SQL_Server dbr:Bootstrapping_(statistics) dbr:Diversity_index dbr:Bit dbr:Recursion dbr:Recursive_partitioning dbr:Hierarchical_clustering dbr:Orange_(software) dbr:Decision_making dbr:Predictive_analytics dbr:Real_numbers dbr:Scikit-learn dbr:Data_mining n32:Cart_tree_kyphosis.png dbr:Information_entropy dbr:Binary_decision_diagram dbr:RapidMiner dbr:Logistic_model_tree dbr:Sensitivity_and_specificity dbr:Leaf_node
dbo:wikiPageExternalLink
n14:decision-trees.html n16:ISLR%20Seventh%20Printing.pdf%23page=317 n38:cc645868.aspx n39:
owl:sameAs
dbpedia-ru:Обучение_дерева_решений n9:فێربوونی_درەختی_بڕیار dbpedia-es:Aprendizaje_basado_en_árboles_de_decisión yago-res:Decision_tree_learning dbpedia-ar:تعلم_شجرة_القرار dbpedia-he:עץ_החלטה_לומד dbpedia-fr:Arbre_de_décision_(apprentissage) n20:Sprendimų_medžių_mokymas dbpedia-ko:결정_트리_학습법 dbpedia-fa:یادگیری_درخت_تصمیم dbpedia-ca:Aprenentatge_basat_en_arbres_de_decisió n28:ଡିସିସନ_ଟ୍ରି_ଲର୍ଣିଂ dbpedia-zh:决策树学习 n30:CART_algoritms freebase:m.025tl_6 dbpedia-pl:Drzewa_klasyfikacyjne n34:ehWX n35:ডিসিশন_ট্রি_লার্নিং dbpedia-eu:Erabaki-zuhaitzen_bidezko_ikaskuntza dbpedia-uk:Дерева_рішень_у_машинному_навчанні dbpedia-pt:Aprendizagem_de_árvore_de_decisão wikidata:Q16766476
dbp:wikiPageUsesTemplate
dbt:Cite_book dbt:Cn dbt:Short_description dbt:Main dbt:Reflist dbt:Diagonal_split_header dbt:Div_col dbt:Div_col_end dbt:Machine_learning dbt:About dbt:Mvar dbt:Citation_needed
dbo:thumbnail
n22:Decision_Tree.jpg?width=300
dbo:abstract
Дерева рішень у машинному навчанні використовуються як передбачувальні моделі, що відображають знання про об'єкт (представлені гілками) у множину рішень. Це один з підходів до передбачувального моделювання у статистиці, добуванні даних та машинному навчанні. O aprendizado de árvore de decisão ou indução de árvores de decisão é uma das abordagens de modelagem preditiva usadas em estatística, mineração de dados e aprendizado de máquina. Ele usa uma árvore de decisão (como um modelo preditivo) para ir de observações sobre um item (representado nos ramos) para conclusões sobre o valor alvo do item (representado nas folhas). Os modelos de árvore em que a variável de destino pode assumir um conjunto discreto de valores são chamados de árvores de classificação; nessas estruturas de árvore, as folhas representam rótulos de classe e os ramos representam conjunções de características que levam a esses rótulos de classe. As árvores de decisão em que a variável de destino pode assumir valores contínuos (normalmente números reais) são chamadas de árvores de regressão. As árvores de decisão estão entre os algoritmo de aprendizado de máquina mais populares devido à sua inteligibilidade e simplicidade. Na análise de decisão, uma árvore de decisão pode ser usada para representar visualmente e explicitamente as decisões e a tomada de decisão. Na mineração de dados, uma árvore de decisão descreve os dados (mas a árvore de classificação resultante pode ser uma entrada para a tomada de decisão). Esta página trata das árvores de decisão na mineração de dados. 决策树学习是统计学、数据挖掘和机器学习中使用的一种预测建模方法。它使用决策树作为，从样本的观测数据（对应决策树的分支）推断出该样本的预测结果（对应决策树的叶节点）。 按预测结果的差异，决策树学习可细分两类。（1）分类树，其预测结果仅限于一组离散数值。树的每个分支对应一组由逻辑与连接的分类特征，而该分支上的叶节点对应由上述特征可以预测出的分类标签。（2）回归树，其预测结果为连续值（例如实数）。 在决策分析中，一棵可视的决策树可以向使用者形象地展示决策的结果和过程。在数据挖掘和机器学习中，一棵决策树主要用于描述数据（此后亦可基于习得的预测模型去支持决策)。本页侧重描述数据挖掘中的决策树。 Aprendizaje basado en árboles de decisión utiliza un árbol de decisión como un que mapea observaciones sobre un artículo a conclusiones sobre el valor objetivo del artículo. Es uno de los enfoques de modelado predictivo utilizadas en estadísticas, minería de datos y aprendizaje automático. Los modelos de árbol, donde la variable de destino puede tomar un conjunto finito de valores se denominan árboles de clasificación. En estas estructuras de árbol, las hojas representan etiquetas de clase y las ramas representan las conjunciones de características que conducen a esas etiquetas de clase. Los árboles de decisión, donde la variable de destino puede tomar valores continuos (por lo general números reales) se llaman árboles de regresión. Los árboles de decisión se encuentran entre los algoritmos populares debido a su simplicidad. En análisis de decisión, un árbol de decisión se puede utilizar para representar visualmente y de forma explícita decisiones y toma de decisiones. En minería de datos, un árbol de decisión describe datos, pero no las decisiones; más bien el árbol de clasificación resultante puede ser un usado como entrada para la toma de decisiones. Esta página se ocupa de los árboles de decisión en la minería de datos.​​ L'aprenentatge basat en arbres de decisió és un mètode de modelatge predictiu utilitzat en l'estadística, la mineria de dades i l'aprenentatge automàtic. Consisteix en la selecció automàtica d'un arbre de decisió (com a ), que utilitza observacions de les variables independents (representades a les branques) per a deduir el valor de la variable dependent (representada en les fulles). Els arbres de decisió on la variable dependent és discreta s'anomenen arbres de classificació. En aquestes estructures, les fulles representen etiquetes de classe i les branques representen conjuncions de característiques que dirigeixen a les etiquetes corresponents. Els arbres de decisió on la variable dependent és contínua (típicament números reals) s'anomenen arbres de regressió. Els arbres de decisió són un dels models més populars en aprenentatge automàtic, gràcies a la seva intel·ligibilitat i simplicitat. Dins l'anàlisi de decisió, un arbre de decisió pot ser utilitzat per representar processos de decisió de forma visual i explícita. En la mineria de dades, un arbre de decisió descriu les dades (però l'arbre de classificació resultant pot ser utilitzat per a la presa de decisions). Aquesta pàgina tracta arbres de decisió en el context de la mineria de dades. Erabaki-zuhaitzen bidezko ikaskuntza eredu iragarle moduan erabiltzen duen teknika da. Estatistikan, datu-meatzaritzan eta ikasketa automatikoan asko erabiltzen den eredu iragarlea da. Erabaki-aldagaia (edo klase-aldagaia) diskretua denean (balio kopuru finitua hartzen duenean) erabaki-zuhaitzak sailkatze-zuhaitz izena hartzen du eta jarraia denean (aldagaiak balio erreala hartzen duenean), erregresio-zuhaitz izena. Artikulu hau datu-meatzaritzan erabiltzen diren erabaki-zuhaitzei buruzkoa da. Обучение дерева решений использует дерево решений (как ), чтобы перейти от наблюдений над объектами (представленными в ветвях) к заключениям о целевых значениях объектов (представленных в листьях). Это обучение является одним из подходов моделирования предсказаний, используемых в статистике, интеллектуальном анализе данных и обучении машин. Модели деревьев, в которых целевая переменная может принимать дискретный набор значений, называются деревьями классификации. В этих структурах деревьев листья представляют метки классов, а ветки представляют конъюнкции признаков, которые ведут в эти метки классов. Деревья решений, в которых целевая переменная может принимать непрерывные значения (обычно, вещественные числа) называются деревьями регрессии. В анализе решений может быть использовано дерево решений для визуального и явного представления принятия решений. При интеллектуальном анализе данных дерево решений описывает данные (но результирующее дерево классификации может быть входом для принятия решений). Эта страница имеет дело с деревьями решений при интеллектуальном анализе данных. Decision tree learning is a supervised learning approach used in statistics, data mining and machine learning. In this formalism, a classification or regression decision tree is used as a predictive model to draw conclusions about a set of observations. Tree models where the target variable can take a discrete set of values are called classification trees; in these tree structures, leaves represent class labels and branches represent conjunctions of features that lead to those class labels. Decision trees where the target variable can take continuous values (typically real numbers) are called regression trees. Decision trees are among the most popular machine learning algorithms given their intelligibility and simplicity. In decision analysis, a decision tree can be used to visually and explicitly represent decisions and decision making. In data mining, a decision tree describes data (but the resulting classification tree can be an input for decision making). تعلم شجرة القرار (بالإنجليزية: Decision tree learning)‏ تستخدم شجرة القرار للانطلاق من الملاحظات حول عنصر معين إلى الاستنتاج حول القيمة التي يحملها ذلك العنصر ممثلة بأوراق الشجرة، فيما يمثل العنصر ذاته بفروع الشجرة. وشجرة تعلم القرار هي إحدى طرق النمذجة التنبؤية التي تستخدم في الإحصاء، استخراج البيانات و تعلم الآلة. تأخذ المتغيرات مجموعة منفصلة من القيم في أشجار القرار التي تُدعى بأشجار التصنيف؛ حيث تمثل الأوراق في هيئة الشجرة تصنيفات معينة فيما تمثل الفروع نقاط اقتران منطقي للخصائص التي تؤدي إلى تلك التصنيفات. أما أشجار القرار التي تستهدف متغيرات رقمية ذات قيم مستمرة (أرقام حقيقية) فتسمى بأشجار الانحدار (نسبة إلى الانحدار الخطي). في تحليل اتخاذ القرار، يُمكن أن تستخدم شجرة القرار لتمثيل القرارات وعمليات اتخاذ القرار بصرياً. في عمليات التنقيب في البيانات تصف أشجار القرار البيانات (لكن ناتج شجرة التصنيف يُمكن أن يكون من المدخلات لعملية اتخاذ القرار). يستخدم التدهور على نطاق واسع في العلوم والهندسة بسبب سهولة وضوحها. 결정 트리 학습법(decision tree learning)은 어떤 항목에 대한 관측값과 을 연결시켜주는 예측 모델로서 결정 트리를 사용한다. 이는 통계학과 데이터 마이닝, 기계 학습에서 사용하는 예측 모델링 방법 중 하나이다. 트리 모델 중 목표 변수가 유한한 수의 값을 가지는 것을 라 한다. 이 트리 구조에서 잎(리프 노드)은 클래스 라벨을 나타내고 가지는 클래스 라벨과 관련있는 특징들의 논리곱을 나타낸다. 결정 트리 중 목표 변수가 연속하는 값, 일반적으로 실수를 가지는 것은 라 한다. 의사 결정 분석에서 결정 트리는 시각적이고 명시적인 방법으로 의사 결정 과정과 결정된 의사를 보여주는데 사용된다. 데이터 마이닝 분야에서 결정 트리는 결정된 의사보다는 자료 자체를 표현하는데 사용된다. 다만, 데이터 마이닝의 결과로서의 분류 트리는 의사 결정 분석의 입력 값으로 사용될 수 있다. 이 페이지는 데이터 마이닝 분야에서의 결정 트리를 주로 다룬다. Drzewa klasyfikacyjne – zbiorcza nazwa rodziny metod statystycznych z zakresu eksploracji danych, dokonujących za pomocą diagramów zwanych drzewami obserwacji statystycznych, czyli podziału próby statystycznej na klasy obserwacji o podobnych właściwościach. Metoda drzew klasyfikacyjnych jest odmianą hierarchicznej analizy skupień. Jeśli drzewo stosujemy do klasyfikowania realnych sytuacji, a wynikiem klasyfikacji jest decyzja, jaka ma być w danej sytuacji podjęta, drzewo jest też nazywane drzewem decyzyjnym. Drzewo składa się z korzenia (przedstawianego, podobnie jak w matematyce i informatyce, zwykle u góry rysunku) oraz gałęzi prowadzących z korzenia do kolejnych węzłów. W każdym węźle sprawdzany jest pewien warunek dotyczący danej obserwacji, i na jego podstawie wybierana jest jedna z gałęzi prowadząca do kolejnego węzła piętro niżej. Na dole znajdują się liście, w których odczytujemy do której z klas należy przypisać daną obserwację. Klasyfikacja danej obserwacji polega na przejściu od korzenia do liścia i przypisaniu do tej obserwacji klasy zapisanej w danym liściu. L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif. On l'utilise notamment en fouille de données et en apprentissage automatique. Dans ces structures d'arbre, les feuilles représentent les valeurs de la variable-cible et les embranchements correspondent à des combinaisons de variables d'entrée qui mènent à ces valeurs. En analyse de décision, un arbre de décision peut être utilisé pour représenter de manière explicite les décisions réalisées et les processus qui les amènent. En apprentissage et en fouille de données, un arbre de décision décrit les données mais pas les décisions elles-mêmes, l'arbre serait utilisé comme point de départ au processus de décision. C'est une technique d'apprentissage supervisé : on utilise un ensemble de données pour lesquelles on connaît la valeur de la variable-cible afin de construire l'arbre (données dites étiquetées), puis on extrapole les résultats à l'ensemble des données de test. Les arbres de décision font partie des algorithmes les plus populaires en apprentissage automatique.
prov:wasDerivedFrom
wikipedia-en:Decision_tree_learning?oldid=1123098432&ns=0
dbo:wikiPageLength
45353
foaf:isPrimaryTopicOf
wikipedia-en:Decision_tree_learning