جستجو در سایت

تماس با ما: 09361509687  ایمیل: royalproje.ir[ at ]gmail.com

Get Started

درخت های تصمیم و حمایت از Real Time  برای تصمیم گیری انسان

در این مقاله الگوریتمی برای ساخت درختی که RT  بودن را برای تحلیل خطا فراهم میکند ارائه شده است. و در نهایت به نقاط قوت و ضعف درخت های تصمیم برای کار کردن با محیط های RT فراهم کند. در این مقاله DT با سایر سسیتم های تولد قوانین مقایسه خواهد شد و نشان داده میشود که چرا باید قدرت یادگیری DT را در انعطاف پذیری و Robust بودن تولید قوانین استفاده کرد.

1-3) Knowledge Representation

درخت های تصمیم مدت هاست که برای تحلیل داده های آماری مورد استفاده قرار میگیرد، هرچند که درخت های تصمیم بخش مهمی از هوش مصنوعی میباشد اما از سال 1990 محققان دریافتند که درخت های تصمیم برای کار با آمار مورد استفاده قرار میگیرد[4]. یکی از مزایای استفاده از DTها، نمایش گرافیکی آن میباشد. DTها مدلی از پیشامدهای غیرقطعی را برای ما تهیه میکنند، همچنین هزینه و سود هرکدام از این پیش آمدها را مشخص میکند. هر DT شامل یک نود تصمیم در ریشه است، با چندین نود انتخاب که از نود تصمیم نشئت میگیرند. بسته به حادثه ای که اتفاق بیفتد یک و تنها یکی از نودها انتخاب می شود.

درحالتی که احتمال برای دو خورجی یکسان است، ما نودی را در نظر میگیرم یک که بهتر باشد. این بهتر بودن را با معیارها مختلفی بسته به مسئه میسنجیم. اگر احتمالات متفاوت باشد ولی بازدهی یکسان باشد، نود با احتمال بالاتر را انتخاب می کند. بهترین حالت زمانی است که مقدار بازدهی و احتمال هر دو متفاوت باشد. البته باید توجه داشت که گاهی انتخاب منجر به نتیجه منفی شود و آن زمانی است که دچار زیان شده ایم. برای ارزیابی احتیاج به یک سری معیارها داریم. مقدار مورد انتظار از ضرب احتمالات هر کدام از حوادث ممکن در احتمال پیشامد و جمع نتایج بدست می آید. در مواقعی که سود دهی دخیل است وزمانی که بیشتر بهتر است، انتخابی مورد تاییدتر است که مقدار مورد انتظار بیشتری داشته باشیم.

زمانی که خروجی از یک نود غیرقطعی وابسته به یک نود غیرقطعی دیگرباشد، به اصطلاح غیرقطعیت های وابسته اتفاق می افتد. در اینجا می بایستی برای محاسبه ارزش مورد انتظار را درحالت وابستگی بدست آوریم. برای محاسبه در این حالت از سمت راست ترین نود شروع کرده و به سمت نود ریشه حرکت می کنیم. پروسه محاسبه ارزش مورد انتظار در این روش را decision tree rollback گویند.

 تصمیمات متوالی در DT به خروجی تصمیم دیگر بستگی دارد. در DT ها تصمیمات میتوانند به صورت زنجیره ای به هم متصل باشند.  روش بدست آوردن مقدار قابل انتظار در این روش نیز همانند روش وابسته می باشد. زنجیره تصمیماتی که به ما نتیجه نهایی را میدهد، "decision strategy" نامیده می شود.

مزییت استفاده از ارزش ها مورد انتظار برای تصمیمات متوالی و غیرقطعی های وابسته این است که میدانیم چگونه قوانین آماری را در احتمالات زنجیره ای اعمال کنیم. این مسئله در مورد کلاسبندی داده ها یا تصمیمات فازی به این روشنی نیست ولی برای مسائل تحلیلی بله/خیر میتواند مفید باشد.

برخلاف بسیاری از متدها همچون شبکه های عصبی که تنها قادر به کار کردن با داده های عددی هستند، درخت های تصمیم قادر به کار کردن با مجموعه ها و داده های عددی می باشد.

استفاده از DT  های دارای معایب و مزایای متعددی میباشد. از جمله این معایب میتوان به اشتغال فضای زیاد آن اشاره کرد، چرا که دارای رشد نمایی در انشعاب درخت در دو جهت می باشند. در مواردی که احتیاج به نمایش گرافیکی یا ویژوالی از درخت و فاکتور ها تصمیم گیری داریم و نیازی به دانستن مسیر تصمیم نداریم می توانیم می توان نمایش مشابهی از درخت را در دیاگرام نفوذ

[1] inuence diagram

اشتراک برای
آپ دیت ودریافت خبرها