Pojmovnik

Stablo odlučivanja

Što je Stablo odlučivanja?

Stablo odlučivanja je model koji odluku prikazuje kao niz jednostavnih pitanja s odgovorom da/ne: svaka grana provjerava jedno obilježje, a svaki list daje ishod. U strojnom učenju takva se stabla automatski uče iz podataka i koriste za klasifikaciju ili predviđanje. Glavna im je prednost transparentnost – primjerice, pokazuju zašto je zahtjev za kredit označen na temelju prihoda, roka i povijesti plaćanja.

Kako KI.ordo pomaže

U tijekovima rada KI.ordo jednostavni putovi odlučivanja mogu se modelirati blokovima „Uvjet” (da/ne) i „UI odlučivač” (do 8 kategorija).

Saznajte više

Teme

Strojno učenje
Procjena
Transparentnost

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo

← Svi pojmovi

Srodni pojmovi

Regresija slučajnom šumom

Regresija slučajnom šumom predviđa numeričke vrijednosti kombiniranjem mnogih stabala odlučivanja. Svako stablo trenira se na slučajnom uzorku podataka i slučajnom izboru značajki; rezultat je prosjek predviđanja svih stabala. Zbog toga je metoda robusnija i manje sklona pretreniranosti od pojedinačnog stabla. Koristi se, primjerice, za prognoze prodaje, procjene cijena ili potrošnju energije – često kao solidna polazna točka za tablične podatke.

regresija
ansambl metoda
+1

Gradijentno pojačavanje

Gradijentno pojačavanje (gradient boosting) tehnika je strojnog učenja koja jedan za drugim kombinira mnogo jednostavnih modela – obično malih stabala odlučivanja. Svako novo stablo trenira se posebno kako bi smanjilo preostale pogreške prethodnih. Rezultat su vrlo točni modeli za tablične podatke, primjerice za kreditni rizik, prognoze prodaje ili vjerojatnost odlaska klijenata. Poznate implementacije su XGBoost, LightGBM i CatBoost; potrebno je pažljivo podešavanje kako bi se izbjegla pretreniranost.

Strojno učenje
Ansambl metoda
+1

Klasifikator

Klasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.

Procjena
Strojno učenje
+1

Predložak

Heuristika

Heuristike su praktična pravila ili pojednostavljene strategije koje u razumnom roku vode do dobrog, premda ne zajamčeno optimalnog rješenja. U računalnoj znanosti i UI-ju pomažu suziti goleme prostore pretraživanja – primjerice pri planiranju rute, gdje zračna udaljenost do cilja služi kao procjena, ili u šahu, gdje se vrednuju pozicije. Ljudi heuristike koriste i u svakodnevnim i poslovnim odlukama, uz rizik sustavnih pogrešaka u razmišljanju.

Rješavanje problema
Algoritmi
+1