AI :: Besluittree Leert automatisch besluitbomen
Download nu

AI :: Besluittree Rangschikking & Samenvatting

AI :: Besluittree Tags

Perl-module leert Leert Trees Beslissingsbomen Beslissing

AI :: Besluittree Beschrijving

Leert automatisch besluitbomen AI :: Besluittree is Perl-module voor automatisch leert beslissingsbomen.Synopsis Gebruik AI :: BesluitTree; Mijn $ DTREE = NIEUWE AI :: BesluitTree; # Een set van trainingsgegevens om te beslissen of Tennis $ DTree-> Add_Instance (Attributes => {Outlook => 'Sunny', Temperatuur => 'Heet', vochtigheid => 'Hoog'}, resultaat => 'Nee', ); $ dtree-> add_instance (attributen => {outlook => 'bewolkt', temperatuur => 'heet', vochtigheid => 'normaal'}, resultaat => 'ja'); ... herhaal voor meerdere meer instanties, dan: $ dtree-> trein; # Zoek resultaten voor ongeziene gevallen Mijn $ resultaat = $ dtree-> get_result (attributen => {Outlook => 'sunny', temperatuur => 'hot', vochtigheid => 'normaal'}); de AI :: BesluitTree-module automatisch Creëert zogenaamde "beslissingsbomen" om een reeks opleidingsgegevens uit te leggen. Een beslissingsboom is een soort van categorizer die een stroomschema-achtige proces gebruikt voor het categoriseren van nieuwe instanties. Zo kan een geleerde beslissingsboom eruit zien als het volgende, wat classificeert voor het concept "Play Tennis": Outlook / | / | / | zonnig / bewolkt regenachtig / | Vochtigheid | Wind / * Nee * / / / Hoog / Normaal / / Sterk / Zwak * Nee * * Ja * / * Nee * * Ja * (Dit voorbeeld en de inspiratie voor de AI :: Besluittree-module, komt rechtstreeks van Tom Mitchell's uitstekend Boek "Machine Learning", verkrijgbaar bij McGraw Hill.) Een beslissingstructuur zoals deze kan worden geleerd van trainingsgegevens, en vervolgens toegepast op eerder ongeziene gegevens om resultaten te verkrijgen die consistent zijn met de trainingsgegevens. Het gebruikelijke doel van een beslissingsbomen is op de een of andere manier de trainingsgegevens in de kleinst mogelijke boom ingekapseld. Dit wordt gemotiveerd door een filosofie van "Occam's scheermes, waarin de eenvoudigste verklaring voor een reeks verschijnselen de voorkeur heeft over andere uitleg. Ook zullen kleine bomen sneller beslissingen nemen dan grote bomen, en ze zijn veel gemakkelijker voor een mens om naar te kijken en te begrijpen. Een van de grootste redenen voor het gebruik van een beslissingsboom in plaats van veel andere machine-leertechnieken, is dat een beslissingstructuur een veelspreekbare beslissingsfabrikant is dan bijvoorbeeld een neuraal netwerk. De huidige implementatie van deze module gebruikt een extreem eenvoudige methode om te creëren de beslissingstructuur op basis van de trainingsinstanties. Het maakt gebruik van een Information Gain-metric (op basis van verwachte vermindering van entropie) om het kenmerk "Most informatieve" bij elk knooppunt in de boom te selecteren. Dit is in wezen het ID3-algoritme, ontwikkeld door JR Quinnan in 1986. Het idee is dat het kenmerk met de hoogste informatieverstroom (waarschijnlijk) het beste kenmerk zal zijn om de boom op elk punt te splitsen als we geïnteresseerd zijn in het maken van kleine bomen . Vereisten: · Perl

AI :: Besluittree Gerelateerde software