決策樹狀圖

決策樹模型由決策樹組成。決策樹的學習演算法 (例如隨機森林) 至少需要部分依賴於學習決策樹。

在本節課程中，您將研究一個小型的資料集範例，並瞭解單一決策樹如何訓練。在下一節中，您會瞭解怎麼結合決策樹來訓練決策樹系。

YDF 代碼

在 YDF 中，使用 CART 學習工具訓練個別決策樹狀圖模型：

# https://ydf.readthedocs.io/en/latest/py_api/CartLearner
import ydf
model = ydf.CartLearner(label="my_label").train(dataset)

模型

「決策樹狀圖」是一種模型，由一組在樹狀結構中按階層分類的「問題」組成。這類問題通常稱為「條件」、「分割」或「測試」。我們會在這個類別中使用「condition」一詞。每個非分葉節點皆含有一個條件，而每個分葉節點都包含預測。

植物樹通常會隨著底部的根部長長，但決策樹通常會以「根」 (第一個節點) 的形式呈現。

圖 1. 簡單的分類決策樹。綠色的圖例不屬於決策樹狀圖。

 

決策樹狀模型的推論結果，是根據條件將根範例 (位於頂端) 轉送至其中一個分葉節點 (位於底部)。觸及的分葉值即為決策樹的預測結果。一組已造訪的節點稱為「推論路徑」。例如，請考量下列特徵值：

num_legs	num_eyes
4	2

預測結果會是 dog。推論路徑為：

1. num_legs ≥ 3 → 是
2. num_eyes ≥ 3 → 否

圖 2. 就範例而言，在分葉 *dog* 中形成的推論路徑 *{num_legs : 4, num_eyes : 2}*。

 

在上述範例中，決策樹的葉子含有分類預測；也就是說，每個葉子都含有一組可能物種的動物物種。

同樣地，決策樹狀圖也能將片段加上回歸預測 (數值) 標籤，藉此預測數值。舉例來說，下列決策樹會預測 0 到 10 之間的動物的可愛分數分數。

圖 3. 進行數值預測的決策樹狀圖。