V04 - Entscheidungsbaumverfahren
No description yet. This curated deck is ready for daily study.
Card preview (4)
Wie ist die grundsätzliche Arbeitsweise bei Entscheidungsbäumen? (V04F12)
○ 1 Aufteilung des Gesamtbestandes in eine Trainings- und eine Testmenge ○ 2 Sukzessive Aufteilung der Trainingsmenge, so dass sich daraus homogenere Gruppen von Datensätzen bezüglich der Klassifikationsvariablen ergeben ○ 3 Darstellung der Aufteilung der Datenmenge durch einen Baum, in dem jeder Knoten eine Datenmenge indiziert, dem ein Homogenitätsmaß zugeordnet wird ○ 4 Fortführung der Aufteilung, bis das Homogenitätsmaß einen vorgegebenen Wert erreicht ○ 5 Überprüfung der Ergebnisse anhand der Testmenge
Was ist die Entropie? (V04F18)
○ Ein Maß für die Heterogenität ○ Ist Entropie = 0, so ist der Knoten homogen ○ Sie nimmt ihren Maximalwert an (log2 der Klassenanzahl), wenn eine Gleichverteilung vorliegt.
Was ist der Gini-Index? (V04F20)
○ Ist ein Maß für die Homogenität eines Knoten T ○ Ist Gini(T) = 0, so ist der Knoten homogen ○ Der Gini-Index nimmt seinen Maximalwert an, wenn eine Gleichverteilung vorliegt ○ Es wird dann der Split gewählt, der den kleinsten Gini-Index für eine Partition des Knotens T mittels Attribut A bringt
Was sind Vorteile von Entscheidungsbäumen im Vergleich zu z.B. Neuronalen Netzen? (V04F??)
○ Entscheidungsbäumen folgen klaren, nachvollziehbaren Regeln und sind lesbar, dies ist bei Neuronalen Netzen nicht der Fall ○ Entscheidungsbäume = White-Box Verfahren ○ Neuronale Netze = Black-Box Verfahren