LV
PieteiktiesSākt tagad
Glosārijs

Lēmumu koks

Kas ir Lēmumu koks?

Lēmumu koks ir modelis, kas lēmumu attēlo kā vienkāršu jautājumu „jā/nē” virkni: katrs zars pārbauda vienu pazīmi, un katra lapa dod rezultātu. Mašīnmācīšanās koki tiek apgūti automātiski no datiem un izmantoti klasifikācijai vai prognozēšanai. To galvenā priekšrocība ir pārredzamība — piemēram, tie parāda, kāpēc kredīta pieteikums tika atzīmēts, pamatojoties uz ienākumiem, termiņu un maksājumu vēsturi.

Kā palīdz KI.ordo

KI.ordo plūsmās vienkāršus lēmumu ceļus var modelēt ar blokiem „Nosacījums” (jā/nē) un „MI lēmējs” (līdz 8 kategorijām).

Uzzināt vairāk : Lēmumu koks

Tēmas

  • Mašīnmācīšanās
  • Novērtējums
  • Pārredzamība

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo
← Visi termini

Saistītie termini

Nejaušo mežu regresija

Nejaušo mežu regresija prognozē skaitliskas vērtības, apvienojot daudzus lēmumu kokus. Katrs koks tiek apmācīts uz nejaušas datu izlases un nejauši izvēlētām pazīmēm; rezultāts ir visu koku prognožu vidējais. Tādējādi metode ir robustāka un mazāk pakļauta pārmērīgai pielāgošanai nekā atsevišķs koks. To izmanto, piemēram, pārdošanas prognozēm, cenu novērtējumiem vai enerģijas pieprasījumam — bieži kā stabilu sākumpunktu tabulu datiem.

  • regresija
  • ansambļa metode
  • +1

Gradienta pastiprināšana (gradient boosting)

Gradienta pastiprināšana ir mašīnmācīšanās paņēmiens, kas vienu pēc otra apvieno daudzus vienkāršus modeļus — parasti mazus lēmumu kokus. Katrs jaunais koks tiek apmācīts īpaši, lai mazinātu iepriekšējo atlikušās kļūdas. Rezultāts ir ļoti precīzi modeļi tabulu datiem, piemēram, kredītriska, pārdošanas prognožu vai klientu aiziešanas varbūtības noteikšanai. Plaši pazīstamas implementācijas ir XGBoost, LightGBM un CatBoost; lai izvairītos no pārmācīšanās, nepieciešama rūpīga noregulēšana.

  • Mašīnmācīšanās
  • Ansambļa metode
  • +1

Klasifikators

Klasifikators ir modelis vai metode, kas ievaddatus piešķir vienai no vairākām iepriekš noteiktām kategorijām. Klasiskus variantus, piemēram, lēmumu kokus vai naivo Beijesa metodi, apmāca uz marķētiem piemēriem; valodas modeļi tekstus var šķirot arī pēc kategoriju apraksta. Tipiski lietojumi ir surogātpasta atpazīšana, klientu pieprasījumu šķirošana pēc tēmas un kvīšu kategorizēšana. Kvalitāti mēra ar metrikām, piemēram, pareizību, precizitāti un pārklājumu.

  • Novērtējums
  • Mašīnmācīšanās
  • +1
Veidne

Heiristikas

Heiristikas ir pieredzes likumi vai vienkāršotas stratēģijas, kas saprātīgā laikā noved pie laba, kaut arī negarantēti optimāla risinājuma. Datorzinātnē un MI tās palīdz sašaurināt milzīgas meklēšanas telpas — piemēram, maršruta plānošanā, kur par aplēsi kalpo taisnā līnija līdz galamērķim, vai šahā, kur tiek vērtētas pozīcijas. Cilvēki heiristikas izmanto arī ikdienas un uzņēmējdarbības lēmumos, riskējot ar sistemātiskām domāšanas kļūdām.

  • Problēmu risināšana
  • Algoritmi
  • +1