DECISION TREE (perkuliahan machinelearning) 201931042_Muhammad Agung Nugroho

 Decision Tree adalah ?alat pendukung dengan struktur seperti pohon yang memodelkan kemungkinan hasil, biaya sumber daya, utilitas, dan kemungkinan konsekuensi.

 Decision tree menyediakan cara untuk menyajikan algoritma dengan pernyataan kontrol bersyarat. Mereka termasuk cabang yang mewakili langkah-langkah pengambilan keputusan yang dapat mengarah pada hasil yang menguntungkan.

Struktur flowchart mencakup node internal yang mewakili tes atau atribut pada setiap tahap. Setiap cabang mewakili hasil untuk atribut, sedangkan jalur dari daun ke akar mewakili aturan untuk klasifikasi.

Decision tree merupakan salah satu bentuk algoritma pembelajaran terbaik berdasarkan berbagai metode pembelajaran.

Mereka meningkatkan model prediktif dengan akurasi, kemudahan dalam interpretasi, dan stabilitas. Alat ini juga efektif dalam menyesuaikan hubungan non-linier karena mampu memecahkan tantangan penyesuaian data, seperti regresi dan klasifikasi.

Disebut deecision tree atau pohon keputusan karena pilihannya bercabang, membentuk struktur yang terlihat seperti pohon.

Anda dapat membuat pohon keputusan vertikal atau horizontal tergantung pada preferensi Anda. Membaca pohon keputusan horizontal dari kiri ke kanan dan pohon keputusan vertikal dari atas ke bawah.

Pohon keputusan bekerja paling baik ketika Anda mengikuti aturan diagram alur dasar:

  • Persegi panjang atau bujur sangkar: Tunjukkan awal pohon tempat Anda menulis pertanyaan.
  • Garis: Mewakili cabang-cabang pohon. Ini semua adalah kemungkinan tindakan.
  • Lingkaran: Menandakan hasil yang tidak pasti bahwa Anda akan membutuhkan cabang tambahan untuk diklarifikasi.
  • Segitiga: Berikan jawaban yang jelas dan final. Mereka juga disebut “daun.”

Dengan membat decision tree memungkinkan Anda untuk memvisualisasikan hasil dari setiap pilihan dalam cara yang terorganisir.

Anda dapat menggunakan pohon keputusan ketika Anda memiliki tujuan tertentu, seperti menentukan apakah Anda harus menerima tawaran pekerjaan.

Alat ini juga bermanfaat jika Anda perlu mengevaluasi sejumlah besar data atau statistik. Misalnya, jika Anda seorang agen penjualan dan ingin menentukan berapa banyak pendapatan yang dapat dihasilkan oleh calon pelanggan versus biaya untuk mengejar dan mempertahankan hubungan, Anda dapat menggunakan pohon keputusan untuk menganalisis laba atas investasi.

Komentar

Posting Komentar

Postingan populer dari blog ini

Perceptron

Gambar
The perceptron algorithm was invented in 1958 at the  Cornell Aeronautical Laboratory  by  Frank Rosenblatt , [3]  funded by the United States  Office of Naval Research . [4] The perceptron was intended to be a machine, rather than a program, and while its first implementation was in software for the  IBM 704 , it was subsequently implemented in custom-built hardware as the "Mark 1 perceptron". This machine was designed for  image recognition : it had an array of 400  photocells , randomly connected to the "neurons". Weights were encoded in  potentiometers , and weight updates during learning were performed by electric motors. [2] : 193  In a 1958 press conference organized by the US Navy, Rosenblatt made statements about the perceptron that caused a heated controversy among the fledgling  AI  community; based on Rosenblatt's statements,  The New York Times  reported the perceptron to be "the embryo of an electronic computer that [the Navy] expects will be
Baca selengkapnya

Artificial Intelligence

  Mengapa AI penting? Karena banyak teknologi yang saat ini memanfaatkan kinerja tingkat manusia super seperti, dapat membaca dokumen, menjawab pertanyaan, melakukan pengenalan suara, pengenalan wajah bahkan bermanfaat dalam pencitraan medis. AI juga benar-benar fokus pada beberapa pilihan beberapa masalah seperti mendiagnosis penyakit atau mengubah bagian pesanan pelanggan dan ini adalah pertama kalinya AI memiliki dampak nyata pada industri sehingga berdampak positif untuk masyarakat luas Bagaimana awal mula AI? Walaupun proses AI tidak secepat yang dikira dan butuh bertahun-tahun untuk menyelesaikan AI untuk menjadi sebuah hal yang bagus bagi masyarakat luas dimana AI berawal dari : Tahun 1956 (The Dartmouth Summer Research Project) mempopulerkan istilah Arficial Intelligence. Namun saat itu mereka tidak membuat banyak kemajuan AI selama musim panas tetapi banyak program dan artefak menarik muncul dari waktu itu terdapat program dimana bisa bermain catur atau membuktikan teorema. Pa
Baca selengkapnya