Sanasto

Päätöspuu

Mikä on Päätöspuu?

Päätöspuu on malli, joka esittää päätöksen sarjana yksinkertaisia kyllä/ei-kysymyksiä: jokainen haara testaa yhtä piirrettä ja jokainen lehti antaa lopputuloksen. Koneoppimisessa tällaiset puut opitaan automaattisesti datasta, ja niitä käytetään luokitteluun tai ennustamiseen. Niiden suurin vahvuus on läpinäkyvyys – ne voivat esimerkiksi osoittaa, miksi lainahakemus merkittiin tulojen, laina-ajan ja maksuhistorian perusteella.

Miten KI.ordo auttaa

KI.ordon työnkuluissa yksinkertaisia päätöspolkuja voi mallintaa lohkoilla ”Ehto” (kyllä/ei) ja ”Tekoälypäättäjä” (enintään 8 luokkaa).

Lue lisää

Aiheet

Koneoppiminen
Luokitus
Läpinäkyvyys

Kokeile KI.ordoa

Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.

Aloita demo

← Kaikki termit

Liittyvät termit

Satunnaismetsäregressio

Satunnaismetsäregressio ennustaa numeerisia arvoja yhdistämällä useita päätöspuita. Kukin puu opetetaan datan satunnaisotoksella ja satunnaisesti valituilla piirteillä; tulos on kaikkien puiden ennusteiden keskiarvo. Tämä tekee menetelmästä kestävämmän ja vähemmän ylisovittumisalttiin kuin yksittäinen puu. Sitä käytetään esimerkiksi myyntiennusteisiin, hinta-arvioihin tai energiantarpeen arviointiin – usein vankkana lähtökohtana taulukkomuotoiselle datalle.

regressio
ensemble-menetelmä
+1

gradient boosting

Gradient boosting on koneoppimismenetelmä, joka yhdistää monta yksinkertaista mallia – yleensä pieniä päätöspuita – peräkkäin. Jokainen uusi puu koulutetaan nimenomaan vähentämään edellisten jäljelle jättämiä virheitä. Tuloksena on erittäin tarkkoja malleja taulukkodatalle, esimerkiksi luottoriskin, myyntiennusteiden tai asiakaspoistuman todennäköisyyden arviointiin. Tunnettuja toteutuksia ovat XGBoost, LightGBM ja CatBoost; ylisovittamisen välttäminen vaatii huolellista säätöä.

Koneoppiminen
ensemble-menetelmä
+1

Luokittelija

Luokittelija on malli tai menetelmä, joka osoittaa syötteet johonkin useista ennalta määritellyistä luokista. Klassiset muunnelmat, kuten päätöspuut tai naiivi Bayes, koulutetaan merkityillä esimerkeillä; kielimallit voivat myös lajitella tekstejä luokkien kuvauksen perusteella. Tyypillisiä käyttötarkoituksia ovat roskapostin tunnistus, asiakaskyselyiden lajittelu aiheen mukaan ja kuittien luokittelu. Laatua mitataan mittareilla, kuten osuvuudella, tarkkuudella ja saannilla.

Luokitus
Koneoppiminen
+1

Malli

Heuristiikka

Heuristiikka tarkoittaa peukalosääntöjä tai yksinkertaistettuja strategioita, jotka johtavat kohtuullisessa ajassa hyvään, joskaan ei taatusti parhaaseen ratkaisuun. Tietojenkäsittelyssä ja tekoälyssä ne auttavat rajaamaan valtavia hakuavaruuksia – esimerkiksi reittisuunnittelussa, jossa maaliin johtava linnuntie toimii arviona, tai shakissa, jossa asemia arvioidaan. Ihmiset käyttävät heuristiikkaa myös arjessa ja liiketoimintapäätöksissä, jolloin riskinä ovat systemaattiset ajatusvirheet.

ongelmanratkaisu
algoritmit
+1