Glossário

Árvore de decisão

O que é Árvore de decisão?

Uma árvore de decisão é um modelo que representa uma decisão como uma sequência de perguntas simples de sim/não: cada ramo testa uma característica e cada folha dá um resultado. No machine learning, estas árvores são aprendidas automaticamente a partir de dados e usadas para classificação ou previsão. O seu ponto forte é a transparência – por exemplo, mostrar por que razão um pedido de crédito foi assinalado com base no rendimento, no prazo e no historial de pagamentos.

Como o KI.ordo ajuda

Nos fluxos do KI.ordo, é possível modelar caminhos de decisão simples com os blocos "Condição" (sim/não) e "Decisor de IA" (até 8 categorias).

Saber mais

Temas

Aprendizagem automática
Classificação
Transparência

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Regressão com floresta aleatória

A regressão com floresta aleatória (random forest) prevê valores numéricos combinando muitas árvores de decisão. Cada árvore é treinada com uma amostra aleatória dos dados e uma seleção aleatória de características; o resultado é a média das previsões de todas as árvores. Isto torna o método mais robusto e menos propenso ao sobreajuste do que uma árvore isolada. É utilizada, por exemplo, em previsões de vendas, estimativas de preços ou da procura de energia – muitas vezes como ponto de partida sólido para dados tabulares.

regressão
método de ensemble
+1

Gradient boosting

O gradient boosting é uma técnica de machine learning que combina muitos modelos simples – normalmente pequenas árvores de decisão – uns a seguir aos outros. Cada nova árvore é treinada especificamente para reduzir os erros restantes das anteriores. O resultado são modelos muito precisos para dados tabulares, por exemplo para risco de crédito, previsões de vendas ou probabilidade de abandono. Implementações conhecidas são o XGBoost, o LightGBM e o CatBoost; é necessário um ajuste cuidadoso para evitar o sobreajuste.

Aprendizagem automática
Método de ensemble
+1

Classificador

Um classificador é um modelo ou método que atribui entradas a uma de várias categorias predefinidas. As variantes clássicas, como as árvores de decisão ou o naive Bayes, são treinadas com exemplos etiquetados; os modelos de linguagem também podem ordenar textos com base numa descrição das categorias. As utilizações típicas incluem a deteção de spam, a triagem de pedidos de clientes por tema e a categorização de recibos. A qualidade é medida com métricas como a exatidão, a precisão e a revocação.

Classificação
Aprendizagem automática
+1

Modelo

Heurísticas

As heurísticas são regras práticas ou estratégias simplificadas que conduzem a uma solução boa, embora não garantidamente ótima, em tempo razoável. Na informática e na IA, ajudam a delimitar espaços de pesquisa gigantescos – por exemplo, no planeamento de rotas, em que a distância em linha reta até ao destino serve de estimativa, ou no xadrez, em que as posições são avaliadas. As pessoas também usam heurísticas no dia a dia e em decisões empresariais, com o risco de erros sistemáticos de raciocínio.

Resolução de problemas
Algoritmos
+1