Slovar pojmov

Odločitveno drevo

Kaj je Odločitveno drevo?

Odločitveno drevo je model, ki odločitev predstavi kot zaporedje preprostih vprašanj z da/ne: vsaka veja preverja eno značilnost, vsak list pa podaja izid. Pri strojnem učenju se takšna drevesa samodejno naučijo iz podatkov in uporabljajo za klasifikacijo ali napovedovanje. Njihova glavna prednost je preglednost – na primer pokažejo, zakaj je bila prošnja za posojilo označena na podlagi dohodka, ročnosti in zgodovine plačil.

Kako pomaga KI.ordo

V potekih dela KI.ordo je preproste odločitvene poti mogoče modelirati z gradnikoma „Pogoj“ (da/ne) in „Odločevalec UI“ (do 8 kategorij).

Več o tem

Teme

Strojno učenje
Razvrstitev
Preglednost

Preizkusite KI.ordo

Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.

Začni predstavitev

← Vsi pojmi

Sorodni pojmi

Regresija z naključnim gozdom

Regresija z naključnim gozdom napoveduje številske vrednosti s kombiniranjem številnih odločitvenih dreves. Vsako drevo se uči na naključnem vzorcu podatkov in naključni izbiri značilnic; rezultat je povprečje napovedi vseh dreves. Zaradi tega je metoda robustnejša in manj nagnjena k preveliko prileganju kot posamezno drevo. Uporablja se na primer za napovedi prodaje, ocene cen ali porabe energije – pogosto kot zanesljivo izhodišče za tabelarične podatke.

regresija
ansambelska metoda
+1

Gradientno ojačevanje

Gradientno ojačevanje (gradient boosting) je tehnika strojnega učenja, ki zaporedno združuje številne preproste modele – običajno majhna odločitvena drevesa. Vsako novo drevo se uči posebej zato, da zmanjša preostale napake prejšnjih. Rezultat so zelo natančni modeli za tabelarne podatke, na primer za kreditno tveganje, napovedi prodaje ali verjetnost odhoda strank. Znane izvedbe so XGBoost, LightGBM in CatBoost; za preprečevanje čezmernega prilagajanja je potrebno skrbno uravnavanje.

Strojno učenje
Ansambelska metoda
+1

Klasifikator

Klasifikator je model ali metoda, ki vnose uvrsti v eno od več vnaprej določenih kategorij. Klasične različice, kot so odločitvena drevesa ali naivni Bayes, se učijo na označenih primerih; jezikovni modeli lahko besedila razvrščajo tudi na podlagi opisa kategorij. Tipična uporaba so prepoznavanje neželene pošte, razvrščanje povpraševanj strank po temah in razvrščanje računov. Kakovost se meri z merili, kot so točnost, natančnost in priklic.

Razvrstitev
Strojno učenje
+1

Predloga

Hevristike

Hevristike so praktična pravila ali poenostavljene strategije, ki v razumnem času vodijo do dobre, čeprav ne nujno optimalne rešitve. V računalništvu in UI pomagajo zožiti ogromne iskalne prostore – na primer pri načrtovanju poti, kjer zračna razdalja do cilja služi kot ocena, ali pri šahu, kjer se ocenjujejo položaji. Ljudje hevristike uporabljajo tudi v vsakdanjem življenju in poslovnih odločitvah, s tveganjem sistematičnih miselnih napak.

reševanje problemov
algoritmi
+1