
تحقیق درس یادگیری ماشین موضوع: یادگیری درخت های تصمیم
فرمت : word
تعداد صفحه : 71 قیمت : مبلغ ۱۱ هزار تومان
- چکیده
ساختار درخت تصمیم در یادگیری ماشین، یک مدل پیش بینی کننده می باشد که حقایق مشاهده شده در مورد یک پدیده را به استنتاج هایی در مورد مقدار هدف آن پدیده نقش می کند. تکنیک یادگیری ماشین برای استنتاج یک درخت تصمیم از داده ها، یادگیری درخت تصمیم نامیده می شود که یکی از رایج ترین روش های داده کاوی است. هر گرهء داخلی متناظر یک متغیر و هر کمان به یک فرزند، نمایانگر یک مقدار ممکن برای آن متغیر است. یک گرهء برگ، با داشتن مقادیر متغیرها که با مسیری از ریشهء درخت تا آن گرهء برگ بازنمایی می شود، مقدار پیش بینی شدهء متغیر هدف را نشان می دهد..یک درخت تصمیم ساختاری را نشان می دهد که برگ ها نشان دهندهء دسته بندی و شاخه ها ترکیبات فصلی صفاتی که منتج به این دسته بندی ها را بازنمایی می کنند. یادگیری یک درخت می تواند با تفکیک کردن یک مجموعهء منبع به زیرمجموعه هایی براساس یک تست مقدار صفت انجام شود. این فرآیند به شکل بازگشتی در هر زیرمجموعهء حاصل از تفکیک تکرار می شود. عمل بازگشت زمانی کامل می شود که تفکیک بیشتر سودمند نباشد یا بتوان یک دسته بندی را به همهء نمونه های موجود در زیرمجموعهء بدست آمده اعمال کرد. درختان تصمیم قادر به تولید توصیفات قابل درک برای انسان، از روابط موجود در یک مجموعهء داده ای هستند و می توانند برای وظایف دسته بندی و پیش بینی بکار روند. این تکنیک به شکل گسترده ای در زمینه های مختلف همچون تشخیص بیماری دسته بندی گیاهان و استراتژی های بازاریابی مشتری بکار رفته است..........
یادگیری درخت تصمیم یکی از رایج ترین تکنیک های یادگیری ماشین می باشد که به دلیل سادگی و کارامدی باعث شده است علی رغم مشکلاتی که در استفاده از آن همچون صفات دارای نویز و یا صفات فاقد مقدار یا ... وجود دارد به شکل گسترده ای در مسائل مربوط به یادگیری ماشین استفاده شود. در این تحقیق سعی شده است به مسائل اصلی مطرح در زمینهء درخت طراحی مانند بازنمایی، طراحی، عام سازی و مشکلات و راه کارهای برخورد با آنها که توسعه یافته اند پرداخته شود و همچنین از برخی مسائل غیراصلی مانند درختان رگراسیون، نرم افزارهای آزمایشگاهی و تست آماری χ2 نیز ذکری به میان آید.
فهرست
- چکیده
مقدمه
1-1- اهداف اصلي درختهاي تصميمگيري دستهبندي كننده
1-2- جذابیت درختان تصمیم
1-3- انواع درختان تصمیم
1-3-1- درختان رگراسیون
2- بازنمایی درخت تصمیم
2-1- توسعهء درختان تصمیم با گراف های تصمیم
3- مسائل مناسب برای یادگیری درخت تصمیم
4- چه صفتی بهترین طبقه بندی کننده است؟
4-1-1- بی نظمی همگونی مثال ها را اندازه گیری می کند.
4-1-2- نفع اطلاعات، کاهش مورد انتظار در بی نظمی را اندازه گیری می کند.
4-2- یک مثال تشریحی
4-3- حالت خاصی از ساخت درخت تصمیم
5- جستجوی فضای فرضیه در یادگیری درخت تصمیم
5-1- قابلیت ها و محدودیت های الگوریتم ID3
6- بایاس قیاسی (استنتاجی) در یادگیری درخت تصمیم
6-1- بایاس های محدودیت و بایاس های ارجحیت
6-2- چرا فرضیات کوتاهتر را ترجیح می دهیم؟
7- مسائل در یادگیری درخت تصمیم
7-1- اورفیتینگ داده ها
7-2- روشهای موجود برای ممانعت از اورفیتینگ
7-2-1- انواع روش های هرس کردن
7-2-1-1- تست chi-Square
7-2-2- هرس خطای کاهش یافته
7-2-3- هرس بعدی قانون
7-3- بکاربردن صفات با مقادیر پیوسته
7-4- معیارهای دیگر برای انتخاب صفات
7-5- بکاربردن مثال های آموزشی با صفات فاقد مقدار
7-6- بکاربردن صفات با هزینه های متفاوت
8- عام سازی درخت
8-1- طراحی یک دسته بندی کنندهء درخت تصمیم
8-2- روشهاي اصلی برای طراحی دسته بندی کنندهء درخت تصميم
9- انواع يادگيري در درخت تصميم گيري
10- مزایا و معایب درخت تصمیم
10-1- مزایای درختان تصمیم نسبت به روش های دیگر داده کاوی
10-2- معايب درختان تصمیم
11- نرم افزارهای مفید برای درخت تصمیم
12- الگوریتم یادگیری درخت تصمیم پایه
13- جمع بندی
14- لغت نامه
15- مراجع
***************************************************************************************
در صورت تمایل
به دریافت فایل فوق در مدت 10 دقیقه ، لطفاً اینجا کلیک
کنید
***************************************************************************************
مشاوره ؛نگارش پایان نامه ؛ مقاله + شبیه سازی
در تمام مقاطع دانشگاهی پذیرفته می شود
در صورت
تمایل می توانید عنوان و جزئیات پروژه خود را در قسمت نظرات این پست
اعلام فرمایید. ضمنا می توانید اطلاعات درخواستی خود را به ایمیل یا تلگرام
نمایید
ایمیل :
com.dr@yahoo.com
درباره :
الگوریتم خوشه بندی فازی , تکنیکها ، ابزارها و روشهای Web Data Mining , هوش مصنوعي , شبکه عصبی , ماشين مجازي جاوا Java Virtual Machine ( JVM) ,
|