Studium, Ausbildung und Beruf

web uni-protokolle.de
 powered by
NachrichtenLexikonProtokolleBücherForenSonntag, 15. September 2019 

Entscheidungsbaum


Dieser Artikel von Wikipedia ist u.U. veraltet. Die neue Version gibt es hier.
Entscheidungsbäume sind eine spezielle Darstellungsform von Entscheidungsregeln. veranschaulichen aufeinanderfolgende hierarchische Entscheidungen. Sie haben eine in der

Inhaltsverzeichnis

Funktionsweise

Entscheidungsbäume beginnen mit einem Stamm an Ende sich eine Verzweigung befindet die in mehrere - mit versehene - wiederum verzweigte Äste führt. Jeder des Baums ist durch einen eindeutigen Weg

Entscheidungsbäume werden verwendet um besser und weniger Fehlern eine Entscheidung treffen zu können. binären Entscheidungsbaum wird eine Serie von Fragen welche alle mit Ja oder Nein beantwortet können. Diese Serie ergibt ein Resultat welches eine Regel bestimmt ist. Die Regel ist ablesbar wenn man von der Wurzel her Ästen des Baumes folgt bis man zu bestimmten Blatt gelangt welches das Resultat der darstellt.

Entscheidungsbäume trennen die Daten in mehrere welche jeweils durch eine Regel mit mindestens Bedingung bestimmt werden.

Um eine Klassifikation abzulesen geht man dem Baum entlang Bei jedem Knoten wird ein Attribut abgefragt ein Entscheid getroffen. Dieses Prozedere wird so fortgesetzt bis man ein Blatt erreicht.

Generiert werden die Entscheidungsbäume üblicherweise im Bei jedem Schritt wird das Attribut gesucht welchem man die Daten am besten klassifizieren Dieses Attribut wird zur Aufteilung der Daten so dass man die verbliebenen noch nicht Daten in weiteren Schritten separat betrachten kann. werden deshalb auch Klassifikationsbäume genannt.

Entscheidungsbäume können als Systeme zur Regelinduktion werden. Sie sind einfach und verständlich präsentierbar. Generierung ist schnell durchführbar.

Beispiel einer Anwendung

Eine Bank möchte mit einer Direct Aktion einen neuen Service verkaufen. Um den zu maximieren sollen mit der Aktion diejenigen angesprochen werden welche der Kombination von demografischen entsprechen die der entsprechende Entscheidungsbaum als optimal hat. Dieser Prozess wird Data Segmentation oder Segmentation Modeling genannt.

Der Entscheidungsbaum liefert also gute Tips positiv auf den Versand reagieren könnte. Dies der Bank nur diejenigen Haushalte anzuschreiben welche Zielgruppe entsprechen.

Vor- und Nachteile

Die mögliche Grösse der Entscheidungsbäume kann negativ auswirken. Jede einzelne Regel ist zwar abzulesen den Gesamtüberblick zu haben ist jedoch schwierig. Es wurden deshalb sogenannte Pruning-Methoden entwickelt die Entscheidungsbäume auf eine vernünftige Grösse kürzen. kann man die maximale Tiefe der Bäume oder eine Mindestanzahl der Objekte pro Knoten

Oft bedient man sich der Entscheidungsbäume als Zwischenschritt zu einer effizienteren Darstellung des Um zu den Regeln zu gelangen werden verschiedene Verfahren unterschiedliche Entscheidungsbäume generiert. Dabei werden auftretende Regeln extrahiert. Die Optimierungen werden überlagert einen robusten allgemeinen und korrekten Regelsatz zu Dass die Regeln in keinerlei Beziehungen zueinander und dass widersprüchliche Regeln erzeugt werden können sich nachteilig auf diese Methode aus.

Ein grosser Vorteil von Entscheidungsbäumen ist sie gut erklärbar und nachvollziehbar sind. Dies dem Benutzer das Ergebnis auszuwerten und Schlüsselattribute erkennen. Dies ist vor allem nützlich wenn Qualität der Daten nicht bekannt ist. Die selber können ohne grossen Aufwand in eine Sprache wir SQL übernommen werden.

Wirksamkeit und Fehlerrate

Die Wirksamkeit eines Entscheidungsbaumes kann an Anzahl Prozentpunkte abgelesen werden welche die Daten klassifizieren. Einige Regeln funktionieren besser als andere.

Kombination mit Neuronalen Netzen

Entscheidungsbäume werden häufig als Basis für Neuronale Netze verwendet. Sie brauchen nicht so viele wie die Neuronalen Netze. Dafür können sie ungenau sein besonders wenn sie klein sind. Bäume bergen hingegen die Gefahr dass etliche bei den Trainingsfällen nicht gesehen und registriert Deshalb versucht man Entscheidungsbäume mit Neuronalen Netzen kombinieren. Daraus entstanden die sogenannten TBNN welche Regeln der Entscheidungsbäume in die Neuronalen Netze

Algorithmen im Vergleich

Die Methoden der Entscheidungsfindung änderten sich stark in den letzten Jahrzehnten mit dem der aktuellen Algorithmen. Einige Fachbegriffe wie Wurzel Knoten u.ä. wurden allerdings schon sehr früh Noch nicht sehr alt sind die verschiedenen die zur Berechnung der Entscheidungsbäume verwendet werden.

Die Praxis unterscheidet verschiedene unterschiedliche Baumtypen. bekanntesten sind die CARTs ( Classification And Regression Trees ) und die CHAIDs ( Chi-square Automatic Interaction Detectors ). In letzter Zeit häufig verwendet wurde der C4.5 -Algorithmus. Früher wurde stattdessen oft der ID3 -Algorithmus verwendet.

Anwendungsprogramme

Es gibt etliche Anwendungsprogramme die Entscheidungsbäume haben. So zum Beispiel die beiden Statistiksoftwarepakete und SAS . Beide verwenden übrigens - wie die anderen Data Mining-Software-Pakete auch - den CHAID-Algorithmus.

Siehe auch

Künstliche Intelligenz Maschinelles Lernen Neuronales Netz

Weblinks



Bücher zum Thema Entscheidungsbaum

Dieser Artikel von Wikipedia unterliegt der GNU FDL.

ImpressumLesezeichen setzenSeite versendenSeite drucken

HTML-Code zum Verweis auf diese Seite:
<a href="http://www.uni-protokolle.de/Lexikon/Entscheidungsbaum.html">Entscheidungsbaum </a>