W tej części omawiamy różne typy warunków wykorzystywanych przy podejmowaniu decyzji. drzew.
Warunki wyrównane do osi a warunki skośne
Warunek wyrównany do osi obejmuje tylko jedną cechę. Kąt skośny obejmuje wiele cech. Na przykład to jest warunek wyrównany do osi:
num_legs ≥ 2
Zakładamy przy tym warunek skośny:
num_legs ≥ num_fingers
Drzewa decyzyjne są często trenowane tylko przy użyciu warunków dopasowanych do osi. Pamiętaj jednak: Dzielenia skośne są skuteczniejsze, ponieważ mogą wyrażać bardziej złożone wzorów. Podziały skośne dają czasem lepsze wyniki kosztem i zwiększają koszty trenowania i wnioskowania.
split_axis="SPARSE_OBLIQUE".
Rysunek 4. Przykłady warunku wyrównanego do osi i warunku skośnego. .
Narysowanie wykresu poprzednich 2 warunków dało następującą przestrzeń cech separacja:
Rysunek 5. Oddzielenie przestrzeni cech dla warunków na rysunku 4. .
Warunki binarne i niebinarne
Warunki z dwoma możliwymi wynikami (np. prawda lub fałsz) są nazywane warunków binarnych. Drzewa decyzyjne zawierające tylko warunki binarne tzw. binarnych drzew decyzyjnych.
Warunki niebinarne mogą mieć więcej niż dwa możliwe wyniki. Dlatego warunki niebinarne mają większą moc dyskryminacyjną niż warunki binarne. Decyzje, które zawierają co najmniej jeden warunek niebinarny, są nazywane decyzjami niebinarnymi drzewach.
Rys. 6: Binarne a niebinarne drzewa decyzyjne. .
Za dużo warunków jest też większe prawdopodobieństwo nadmiernego dopasowania mocy elektrycznej. Z tego powodu lasy decyzyjne zazwyczaj używane są binarne drzewa decyzyjne, więc w tym kursie skupimy się właśnie na nich.
Najczęstszym typem warunku jest warunek progowy wyrażony jako:
feature ≥ threshold
Na przykład:
num_legs ≥ 2
Mogą też występować inne typy warunków. Oto inne często używane typy warunki binarne:
Tabela 2. Typowe rodzaje warunków binarnych. .
| Nazwa | Warunek | Przykład |
| warunek progu | $\mathrm{feature}_i \geq \mathrm{threshold}$ | $\mathrm{num\_legs} \geq 2$ |
| warunek równości | $\mathrm{feature}_i = \mathrm{value}$ | $\mathrm{species} = ``kot"$ |
| stan w zestawie | $\mathrm{feature}_i \in \mathrm{kolekcja}$ | $\mathrm{species} \in \{``kot", ``pies", ``ptak"\}$ |
| warunek skośny | $\sum_{i} \mathrm{weight}_i \mathrm{feature}_i \geq \mathrm{threshold}$ | 5 USD \ \mathrm{num\_legs} + 2 \ \mathrm{num\_eyes} \geq 10 USD |
| brak funkcji | $\mathrm{feature}_i \mathrm{is} \mathrm{Brak}$ | $\mathrm{num\_legs} \mathrm{is} \mathrm{Brak}$ |