Содержание
- 2. Data Mining └ Деревья решений └ Введение Дерево решений – представленный в виде связного ациклического графа
- 3. Data Mining └ Деревья решений └ Введение Если зависимая переменная принимает дискретные значения – решает задачу
- 4. Data Mining └ Деревья решений └ Введение Пример дерева и исходных данных
- 5. Data Mining └ Деревья решений └ Преимущества и недостатки Преимущества деревьев решений: Просты в понимании и
- 6. Data Mining └ Деревья решений └ Преимущества и недостатки Недостатки деревьев решений Проблема получения оптимального дерева
- 7. Data Mining └ Деревья решений └ Построение Выбираем целевой атрибут Выбираем критерий расщепления Разделяем обучающую выборку
- 8. Data Mining └ Деревья решений └ Критерий прироста информации Ансамбль – множество сообщений, каждому из которых
- 9. Data Mining └ Деревья решений └ Критерий прироста информации Информационная энтропия: Мера неопределённости выбора сообщения из
- 10. Data Mining └ Деревья решений └ Критерий прироста информации Взаимная энтропия двух ансамблей: Взаимная энтропия
- 11. Data Mining └ Деревья решений └ Критерий прироста информации Энтропия: Неотрицательна: H(X)≥0 Ограничена сверху: Для независимых
- 12. Data Mining └ Деревья решений └ Критерий прироста информации Взаимная информация (information gain): I(Y|X) = H(Y)
- 13. Data Mining └ Деревья решений └ Критерий прироста информации При наличии непрерывных атрибутов надо бы поискать
- 15. Скачать презентацию