Построение - дерево - решение
Cтраница 2
 |
Дерево решений ( заимствовано из [ Quinlan, 1986, a ]. [16] |
Причина, по которой предпочтение иногда отдается деревьям решений, а не порождающим правилам, состоит в том, что существуют сравнительно простые алгоритмы построения дерева решений в процессе обработки обучающей выборки, причем построенные деревья могут быть использованы в дальнейшем для корректной классификации объектов, не представленных в обучающей выборке. Алгоритм системы ID3, который используется для построения дерева по обучающей выборке, мы рассмотрим в следующем разделе. Этот алгоритм достаточно эффективен с точки зрения количества вычислительных операций, поскольку объем вычислений растет линейно по отношению к размерности проблемы. [17]
 |
Схема дерева решений при проектировании вал-нивой. [18] |
В простых случаях, при сравнительно малом числе решения, ограничиваются более простыми методами выбора тов сочетания новых решений, например, интуитивным или построением дерева решений. В последнем случае, представляющем собой упрощенный способ упорядоченного поиска, указывают варианты объектов выбора по уровням или функциональным группам, дают их сравнительную оценку в баллах и формируют путь через объекты, обеспечивающий наивысшую суммарную оценку. Факторы решения, входящие в этот путь, образуют искомый вариант конструкции. [19]
Стрелки на дереве решения обозначают переход от подцелей более низкого порядка к подцелям более высокого порядка. Стрелкой слева показано направление построения дерева решения. [20]
 |
Обучающая выборка ( заимствовано us [ Quinlan, 1986, . [21] |
Алгоритм использует последовательность тестовых процедур, с помощью которых множество S разделяется на подмножества, содержащие объекты только одного класса. Ключевой в алгоритме является процедура построения дерева решений, в котором нетерминальные узлы соответствуют тестовым процедурам, каждая из которых имеет дело с единственным атрибутом объектов из обучающей выборки. Как вы увидите ниже, весь фокус состоит в в выборе этих тестов. [22]
 |
Схему дерев. решений при проектировании вал-копой дробилки. [23] |
Упорядоченный поиск, проведенный в полном объеме, позволяет найти оптимальное решение; обычно в этом случае используют ЭВМ. В простых случаях, при сравнительно малом числе факторов решения, ограничиваются более простыми методами выбора вариантов сочетания новых решений, например, интуитивным или построением дерева решений. В последнем случае, представляющем собой упрощенный способ упорядоченного поиска, указывают варианты объектов выбора по уровням или функциональным группам, дают их сравнительную оценку в баллах и формируют путь через объекты, обеспечивающий наивысшую суммарную оценку. Факторы решения, входящие в этот путь, образуют искомый вариант конструкции. [24]
Для достижения целей прогноза нужно иметь полную картину возможностей производства при существующем уровне требований, которые предъявляются к продукции. Располагая данными и опираясь на установившиеся тенденции в развитии, исследователи получают возможность определить направления технического совершенствования и развития науки. Процесс построения дерева решений принуждает исследователя заниматься деталями и процессами, которые он мог бы легко упустить, если бы ограничился абстрактными соображениями. [25]
Одной из широко распространенных моделей для представления результатов распознавания является модель решающего дерева. Известен целый ряд модификаций для таких моделей. Так, в [13.8] рассмотрен алгоритм построения дерева решений на основе меры близости распознающих признаков и целевого признака. Работа [13.9] приводит алгоритмы построения дерева решений по примерам на основе идеи метода ближайшего соседа. В [13.10, 13.4] дается сравнение различных способов построения решающих деревьев и обсуждается эффективность этих методов. [26]
Одной из широко распространенных моделей для представления результатов распознавания является модель решающего дерева. Известен целый ряд модификаций для таких моделей. Так, в [13.8] рассмотрен алгоритм построения дерева решений на основе меры близости распознающих признаков и целевого признака. Работа [13.9] приводит алгоритмы построения дерева решений по примерам на основе идеи метода ближайшего соседа. В [13.10, 13.4] дается сравнение различных способов построения решающих деревьев и обсуждается эффективность этих методов. [27]
Принцип оптимальности может быть эффективно использован для оптимизации динамических целевых функций. Применяя этот принцип, можно вывести рекуррентное соотношение, которое сведет задачу динамической оптимизации к N выборам точек в одномерном пространстве состояний вместо выбора точки в jV - мерном пространстве состояний. Принцип оптимальности является фундаментальным принципом в теории динамического программирования. К пониманию рекуррентного соотношения, которое будет выведено позже ( в § 10.5), подводит построение дерева решений. [28]
Однако, если даже не обращать внимание на некоторые очевидные недостатки этой примитивной программы, небольшое дополнительное исследование обнаруживает, что реальные ситуации никогда не бывают такими простыми, как было описано выше. Может оказаться, что вытекание вещества происходит прерывистым образом. Вытекающие вещества могут попадать в реку не через ливневую канализацию. Природа загрязняющего вещества может быть полностью не установлена, либо же могут подозреваться несколько различных возможностей. Оценки количества вытекших веществ могут быть грубыми и подверженными большим ошибкам. Может понадобиться учет и многих других факторов, например того, что охрана не захочет звонить руководству строений во внерабочее время, если нет серьезной опасности. Неопределенности и потенциальная необходимость проведения в будущем периодических пересмотров ситуации и усовершенствований исключают возможность построения простого дерева решений. [29]
Такой подход обманчиво прост. Он позволяет оценить альтернативные варианты поведения компании и изучить последствия любых изменений корпоративной политики, приписав вероятности реализации различным сценариям. Однако трудность в том, что невозможно дать точную оценку последствий какого-нибудь мероприятия через 1 - 2 года, а в случае глобального потепления надо предсказывать события на 10 - 20 лет вперед. Даже если кому-то удалось описать все вероятные исходы, очень трудно приписать им определенную вероятность, так как здесь включается много условных вероятностей. Например, если Киотский протокол будет ратифицирован, то возникает одна вероятность рассматриваемого исхода, а если не будет - то уже другая. Наконец, невозможно предсказать затраты, связанные с реализацией определенного решения на 5 - 10 лет вперед, если существует большая неопределенность, как, например, было с проблемой кислотных дождей в США. Если существует много неизвестных параметров, оценка затрат становится невозможной. Так что построение идеализированного дерева решений на самом деле означает сложную вычислительную задачу, которая может быть непосильна для частных компаний. [30]
Страницы: 1 2 3