Karar Ağacı

Coddy'nin Makine Öğrenmesine Giriş kursunda ders 17 / 19.

Karar Ağacı (Decision Tree), hem sınıflandırma hem de regresyon görevleri için kullanılan doğrusal olmayan bir modeldir. Diğer algoritmalara göre insan karar verme sürecini daha yakından yansıtır, bu da onu karmaşık veri kümelerini işlemek için hem sezgisel hem de güçlü kılar. Temelinde, bir karar ağacı verileri bir dizi basit kural kullanarak alt kümelere ayırır; bu, veri noktalarının özellikleri hakkında bir dizi evet/hayır sorusu sormaya benzer.

Kaynak: wikipedia

Bir karar ağacını, şunların olduğu ağaç benzeri bir grafik olarak hayal edin:

Her iç düğüm bir öznitelik üzerindeki bir "testi" temsil eder (örneğin, bir yazı tura atışının tura mı yoksa yazı mı geldiği),
Her dal testin sonucunu temsil eder ve
Her yaprak düğüm bir sınıf etiketini temsil eder (tüm öznitelikler hesaplandıktan sonra alınan karar).

Karar Ağacı Türleri:

Sınıflandırma Ağaçları: Tahmin edilen sonuç verinin ait olduğu sınıf olduğunda kullanılır.
Regresyon Ağaçları: Tahmin edilen sonuç gerçek bir sayı olarak kabul edilebildiğinde kullanılır (örneğin, bir evin fiyatı).

Kendini test et

Bu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.

Kendini test et

Bu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.

Kendini test et

Bu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.

Görev

Orta

Aşağıdaki formatta bir kural listesi alan decide_outcome adında bir fonksiyon oluşturun:

rules = {
	rule1: {"type": "bigger", "value": 5},
	rule2: {"type": "smaller", "value": 7},

}

Ve sonuç karşılandığında veya karşılanmadığında hangi kurala geçileceğini alan bir yapı:

outcome = {
	"rule1": {True: "rule2", False: "rule3"},
	"rule2": {True: "rule3", False: "rule4"},
	"rule3": {True: None, False: None}
	"rule4": {True: None, False: None}

}

data_point = {
	"rule1": 8,
	"rule2": 10,
}

Çıktı rule4 olmalıdır

8 is bigger than 5 (True) → şuradan rule2 kuralına git: "rule1": {True: "rule2", False: "rule3"},
10 is smaller than 7 (False) → şuradan rule4 kuralına git: "rule2": {True: "rule3", False: "rule4"},
Devam etmek için başka bir yol yok, bu nedenle çıktı rule4 olur

Her zaman <strong>rule1</strong> kuralından başlayın

Kendin dene

def decide_outcome(rules, outcome, point):
    current_rule = "rule1"
    # Kodunuzu buraya yazın

Makine Öğrenmesine Giriş bölümündeki tüm dersler

1ML Yolculuğunun Başlangıcı

ML'ye Giriş Bir modele verilecek veriler ML modeli nedir?

4K-Means Algoritması

K-Means’e Giriş fit metodu predict metodu

2Makine Öğrenmesine Genel Bakış

Denetimli öğrenme Denetimsiz öğrenme

5Naive Bayes

Naive Bayes'e Giriş fit yöntemi predict yöntemi

3K-En Yakın Komşu (KNN)

KNN'e Giriş fit yöntemi predict yöntemi

6Diğer Modeller

Lojistik Regresyon Doğrusal RegresyonKarar AğacıDestek Vektör Makinesi (SVM)Modeller Sınavı

Kendi başına pratik yap: Online Python derleyicisi