Glossario

Albero decisionale

Che cos’è Albero decisionale?

Un albero decisionale è un modello che rappresenta una decisione come una sequenza di semplici domande sì/no: ogni ramo verifica una caratteristica, ogni foglia fornisce un risultato. Nel machine learning questi alberi vengono appresi automaticamente dai dati e usati per classificazioni o previsioni. Il loro punto di forza è la leggibilità, ad esempio per capire perché una richiesta di credito è stata segnalata in base a reddito, durata e storico dei pagamenti.

Come aiuta KI.ordo

Nei flussi di KI.ordo, percorsi decisionali semplici si possono costruire con i blocchi «Condizione» (sì/no) e «Decisore IA» (fino a 8 categorie).

Scopri di più →

Temi

Machine learning
Classificazione
Trasparenza

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Regressione random forest

La regressione random forest prevede valori numerici combinando molti alberi decisionali. Ogni albero viene addestrato su un campione casuale dei dati e con una selezione casuale di variabili; il risultato è la media delle previsioni di tutti gli alberi. Così il metodo è più robusto e meno soggetto a overfitting di un singolo albero. Si usa ad esempio per previsioni di vendita, stime di prezzo o fabbisogno energetico, spesso come solido punto di partenza con dati tabellari.

regressione
metodo ensemble
+1

Gradient boosting

Il gradient boosting è una tecnica di machine learning che combina in sequenza molti modelli semplici, di solito piccoli alberi decisionali. Ogni nuovo albero viene addestrato per ridurre gli errori residui dei precedenti. Ne derivano modelli molto precisi per dati tabellari, ad esempio per rischio di credito, previsioni di vendita o probabilità di abbandono. Implementazioni note sono XGBoost, LightGBM e CatBoost; serve una taratura attenta per evitare l’overfitting.

Machine learning
Metodo ensemble
+1

Classificatore

Un classificatore è un modello o un metodo che assegna un input a una tra diverse categorie predefinite. Le varianti classiche, come gli alberi decisionali o Naive Bayes, vengono addestrate con esempi etichettati; anche i modelli linguistici possono classificare testi sulla base di una descrizione delle categorie. Usi tipici sono il rilevamento dello spam, lo smistamento delle richieste dei clienti per tema e la classificazione di documenti contabili. La qualità si misura con metriche come accuratezza, precisione e recall.

Classificazione
Machine learning
+1

Modello

Euristiche

Le euristiche sono regole pratiche o strategie semplificate che portano in tempi ragionevoli a una soluzione buona, anche se non necessariamente ottimale. In informatica e nell’IA aiutano a restringere spazi di ricerca enormi, ad esempio nella pianificazione dei percorsi, dove la distanza in linea d’aria dalla meta serve da stima, o negli scacchi, dove si valutano le posizioni. Anche nella vita quotidiana e nelle decisioni aziendali si usano euristiche, con il rischio di errori sistematici di ragionamento.

Risoluzione dei problemi
Algoritmi
+1