บทนี้จะเน้นไปที่conditionsประเภทต่างๆ ที่ใช้ในการสร้างแผนผังการตัดสินใจ
เงื่อนไขตามแนวแกนเทียบกับแบบเอียง
เงื่อนไข ที่ปรับแนวแกนมีเพียงฟีเจอร์เดียว เงื่อนไขแบบเฉียงเกี่ยวข้องกับหลายลักษณะ ตัวอย่างเช่น เงื่อนไขที่จัดตามแกนมีดังนี้
num_legs ≥ 2
แม้ว่าต่อไปนี้จะเป็นเงื่อนไขที่ต้องพบภายหลัง
num_legs ≥ num_fingers
บ่อยครั้งที่แผนผังการตัดสินใจได้รับการฝึกด้วยเงื่อนไขที่จัดแนวแกนเท่านั้น อย่างไรก็ตาม การแบ่งแบบเอียงจะมีประสิทธิภาพมากกว่า เนื่องจากแสดงรูปแบบที่ซับซ้อนได้มากกว่า ในบางครั้ง การแบ่งแบบเอียงจะให้ผลลัพธ์ที่ดีกว่า โดยมีค่าใช้จ่าย ในการฝึกอบรมและการอนุมานที่สูงขึ้น
split_axis="SPARSE_OBLIQUE"
รูปที่ 4 ตัวอย่างเงื่อนไขที่ปรับแนวแกนและเงื่อนไขแบบเอียง
การสร้างกราฟ 2 เงื่อนไขก่อนหน้าจะทำให้มีการแยกพื้นที่ของฟีเจอร์ต่อไปนี้
รูปที่ 5 การแยกพื้นที่ของฟีเจอร์สำหรับเงื่อนไขในรูปที่ 4
เงื่อนไขแบบไบนารีกับนอนไบนารี
เงื่อนไขที่มีผลลัพธ์ที่เป็นไปได้ 2 ผลลัพธ์ (เช่น จริงหรือเท็จ) เรียกว่าเงื่อนไขไบนารี ต้นไม้การตัดสินใจที่มีเงื่อนไขไบนารีเท่านั้นจะเรียกว่าต้นไม้การตัดสินใจแบบไบนารี
เงื่อนไขที่ไม่ใช่ไบนารีมีผลลัพธ์ที่เป็นไปได้มากกว่า 2 รายการ ดังนั้น เงื่อนไขที่ไม่ใช่ไบนารีจะมีกำลังเลือกปฏิบัติมากกว่าเงื่อนไขไบนารี การตัดสินใจที่มีเงื่อนไขที่ไม่ใช่ไบนารีอย่างน้อย 1 เงื่อนไขเรียกว่าแผนผังการตัดสินใจแบบนอนไบนารี
รูปที่ 6: แผนผังการตัดสินใจแบบไบนารีเทียบกับแบบนอนไบนารี
เงื่อนไขที่มีพลังงานมากเกินไป ก็มีแนวโน้มที่จะมากเกินไป ด้วยเหตุนี้ กลุ่มการตัดสินใจโดยทั่วไปแล้ว จะใช้แผนผังการตัดสินใจแบบไบนารี ดังนั้นหลักสูตรนี้จะมุ่งเน้นไปที่
ประเภทเงื่อนไขที่พบบ่อยที่สุดคือเงื่อนไขเกณฑ์ซึ่งแสดงดังนี้
feature ≥ threshold
เช่น
num_legs ≥ 2
แต่มีเงื่อนไขประเภทอื่นๆ เงื่อนไขไบนารีประเภทอื่นๆ ที่ใช้กันโดยทั่วไปมีดังนี้
ตารางที่ 2. เงื่อนไขไบนารีที่พบบ่อย
ชื่อ | สภาพสินค้า | ตัวอย่าง |
เงื่อนไขเกณฑ์ | $\mathrm{feature}_i \geq \mathrm{threshold}$ | $\mathrm{num\_legs} \geq 2$ |
เงื่อนไขความเท่าเทียม | $\mathrm{feature}_i = \mathrm{value}$ | $\mathrm{species} = "cat"$ |
สภาพสินค้า | $\mathrm{feature}_i \ใน \mathrm{collection}$ | $\mathrm{species} \ใน \{``cat", "`dog", "bird"\}$ |
เงื่อนไขแบบเอียง | $\sum_{i} \mathrm{weight}_i \mathrm{feature}_i \geq \mathrm{threshold}$ | 5 \ \mathrm{num\_legs} + 2 \ \mathrm{num\_eyes} \geq 10$ |
ฟีเจอร์หายไป | $\mathrm{feature}_i \mathrm{is} \mathrm{การดูแลระบบขาดหายไป}$ | $\mathrm{num\_legs} \mathrm{is} \mathrm{การดูแลระบบขาดหายไป}$ |