Деревья - решение
Cтраница 1
 |
Узлы событий Р и узлы решений D. [1] |
Деревья решений легко поддаются модификации: при необходимости их можно дополнительно развить, а в случаях, когда какие-либо ветви практически лишены значения, - соответственно уменьшить. [2]
 |
Схематическое дерево решений для технического обслуживания группы агрегатов. [3] |
Деревья решений иерархически представляют собой логическую структуру принятия решений и облегчают тем самым понимание задачи и процесс ее решения. [4]
 |
Парадокс Алле. [5] |
Деревья решений при заданных числовых значениях вероятностей и исходов позволяют осуществить выбор той стратегии ( последовательности действий), при которой достигается наибольший выигрыш, т.е. достигается максимум функции полезности ЛПР. [6]
Деревья решений разбивают данные на группы на основе значений тех или иных переменных, используя подход, напоминающий игру в вопросы. В результате получается иерархия операторов ЕСЛИ - ТО, которые классифицируют данные. Если абонент в течение полугода каждый месяц делает на 25 % меньше звонков по сотовому телефону, чем за предыдущий, то, с вероятностью 60 %, он вскоре откажется от услуг сотовой связи. В настоящее время наблюдается повышение интереса к продуктам, применяющим деревья решений. В основном это объясняется тем, что многие коммерческие проблемы решаются ими быстрее, чем алгоритмами нейронных сетей. К тому же они более просты и понятны для пользователей. В то же время нельзя сказать, что деревья решений всегда действуют безотказно: для определенных типов данных, например при обработке непрерывных величин, они могут оказаться неприемлемыми. Помимо того, набор операторов ЕСЛИ - ТО иногда бывает столь же непонят-нмм, как и нейронная сеть, особенно если список условий длинный и сложный. [7]
Деревья решений - метод структурирования задачи в виде древовидного графа, вершины которого соответствуют продукционным правилам, позволяющим классифицировать данные или осуществлять анализ последствий решений. Этот метод дает наглядное представление о системе классифицирующих правил, если их не очень много. Простые задачи решаются с помощью этого метода гораздо быстрее, чем с использованием нейронных сетей. Для сложных проблем и для некоторых типов данных деревья решений могут оказаться неприемлемыми. Кроме того, для этого метода характерна проблема значимости. Одним из последствий иерархической кластеризации данных является то, что для многих частных случаев отсутствует достаточное число обучающих примеров, в связи с чем классификацию нельзя считать надежной. [8]
Деревья решений и решающие правила имеют простую форму представления, что делает такие модели относительно несложными для пользователя. Однако ограничения для представления знаний в виде дерева или решающего правила способны существенно понизить функциональную форму ( а значит и силу) самой модели. Усложнение модели делает ее более эффективной для предсказания, но одновременно может быть и более сложной для понимания пользователем. Деревья и решающие правила используются для предсказательного моделирования, для классификации ( этот подход используется в работах авторов Апта и Хонга, а также Файяда, Дьер-говского и Вэйра) и регрессии, хотя они в равной степени могут применяться для описательного моделирования, как показано в работе Агравала. [9]
Деревья решений являются достаточно популярным методом. Популярность объясняется наглядностью и понятностью представления решений в виде графа. Но деревья решений, реализуя только последовательный перебор признаков, принципиально не могут находить лучшие ( наиболее полные, особенно, многокритериальные оптимальные и т.п.) решения. [10]
Деревья решений обычно огромны. Подобное дерево для игры в крестики-нолики содержит более полумиллиона узлов. Многие же реальные задачи несравнимо сложнее этой игры. Соответствующие им деревья решений могут содержать больше узлов, чем атомов во вселенной. [11]
Деревья решений - метод структурирования задачи в виде древовидного графа, вершины которого соответствуют продукционным правилам, позволяющим классифицировать данные или осуществлять анализ последствий решений. Этот метод дает наглядное представление о системе классифицирующих правил, если их не очень много. Простые задачи решаются с помощью этого метода гораздо быстрее, чем с использованием нейронных сетей. Для сложных проблем и для некоторых типов данных деревья решений могут оказаться неприемлемыми. Кроме того, для этого метода характерна проблема значимости. Одним из последствий иерархической кластеризации данных является то, что для многих частных случаев отсутствует достаточное число обучающих примеров, в связи с чем классификацию нельзя считать надежной. [12]
Деревья событий или деревья решений ( см. лекцию 2) предназначены для решения в определенном смысле обратной задачи. С их помощью пытаются воссоздать возможные последствия того иди иного начального решения, действия, события. При анализе риска таким начальным событием являются авария или отказ некоторой системы. Построение дерева заключается в последовательном нахождении всех возможных состояний других систем, деятельность которых связана с рассматриваемой и отказы которых могут повлиять на характер развития аварии, инициируемой отказом в исследуемой системе. [13]
Наконец, рассмотрим те деревья решений, которые используют монету 0 в корне. Для первого сравнения набор исходов будет ( 1 7, 1), в связи с чем все алгоритмы, начинающиеся таким способом, для нас непригодны; набор же исходов ( 3, 3, 3) приводит к оптимальному дереву, показанному на рис. 1.6. Аналогичным образом устанавливается, что для оптимального дерева сравнения в первом от корня ярусе определяются единственным образом. Отсюда мы заключаем, что для задачи о четырех монетах фактически существует только одно оптимальное дерево. [14]
В то время, как деревья решений и решающие правила имеют ограниченное представление, в пропозициональной логике, реляционное обучение ( известное также под названием индуктивное логическое программирование) использует более гибкие средства языка логики первого порядка. В подобных системах можно легко обнаружить такие формулы, как X Y. Многие научные исследования, направленные на поиск методов оценки модели реляционного обучения, являются логическими по происхождению. [15]
Страницы: 1 2 3 4