Slovník pojmov

Rozhodovací strom

Čo je Rozhodovací strom?

Rozhodovací strom je model, ktorý znázorňuje rozhodnutie ako postupnosť jednoduchých otázok s odpoveďou áno/nie: každá vetva testuje jeden znak a každý list udáva výsledok. V strojovom učení sa takéto stromy učia automaticky z údajov a používajú sa na klasifikáciu alebo predpovede. Ich hlavnou silou je transparentnosť – napríklad ukazujú, prečo bola žiadosť o úver označená na základe príjmu, doby splácania a platobnej histórie.

Ako pomáha KI.ordo

V postupoch KI.ordo možno jednoduché rozhodovacie cesty modelovať pomocou blokov „Podmienka“ (áno/nie) a „Rozhodovač AI“ (až 8 kategórií).

Zistiť viac

Témy

Strojové učenie
Vyhodnotenie
Transparentnosť

Vyskúšajte KI.ordo

Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.

Spustiť demo

← Všetky pojmy

Súvisiace pojmy

Regresia náhodným lesom

Regresia náhodným lesom predpovedá číselné hodnoty kombináciou mnohých rozhodovacích stromov. Každý strom sa trénuje na náhodnej vzorke dát a náhodnom výbere príznakov; výsledkom je priemer predpovedí všetkých stromov. Metóda je vďaka tomu robustnejšia a menej náchylná na preučenie než jediný strom. Používa sa napríklad na predpovede predaja, odhady cien alebo energetických potrieb – často ako solídny východiskový bod pre tabuľkové dáta.

regresia
súborová metóda
+1

gradientné posilňovanie

Gradientné posilňovanie (gradient boosting) je technika strojového učenia, ktorá spája mnoho jednoduchých modelov – zvyčajne malých rozhodovacích stromov – za sebou. Každý nový strom sa trénuje špeciálne na zníženie zostávajúcich chýb predchádzajúcich. Výsledkom sú veľmi presné modely pre tabuľkové údaje, napríklad pre úverové riziko, predpovede predaja alebo pravdepodobnosť odchodu zákazníkov. Známe implementácie sú XGBoost, LightGBM a CatBoost; aby sa predišlo preučeniu, je potrebné starostlivé ladenie.

Strojové učenie
ensemblová metóda
+1

Klasifikátor

Klasifikátor je model alebo metóda, ktorá priraďuje vstupy do jednej z viacerých vopred určených kategórií. Klasické varianty, ako sú rozhodovacie stromy alebo naivný Bayes, sa trénujú na označených príkladoch; jazykové modely dokážu texty triediť aj na základe opisu kategórií. Typické použitie zahŕňa detekciu spamu, triedenie dopytov zákazníkov podľa tém a kategorizáciu dokladov. Kvalita sa meria metrikami, ako sú správnosť, presnosť a úplnosť.

Vyhodnotenie
Strojové učenie
+1

Šablóna

Heuristiky

Heuristiky sú praktické pravidlá alebo zjednodušené stratégie, ktoré v primeranom čase vedú k dobrému, hoci nie zaručene optimálnemu riešeniu. V informatike a AI pomáhajú zúžiť obrovské priestory hľadania – napríklad pri plánovaní trás, kde slúži ako odhad vzdušná vzdialenosť k cieľu, alebo v šachu, kde sa hodnotia pozície. Heuristiky používajú aj ľudia v každodennom živote a pri obchodných rozhodnutiach, s rizikom systematických chýb v myslení.

riešenie problémov
algoritmy
+1