ارزیابی طبقه بند درخت تصمیم Decision Tree بر روی داده IRIS

ارزیابی طبقه بند درخت تصمیم Decision Tree بر روی داده iris ، طبقه بند درخت تصمیم را با استفاده از نرم افزار MATLAB بر روی داده iris ارزیابی کرده ایم ، سپس درخت را هرس کرده و نتیجه را با حالت اولیه مقایسه کرده ایم.

طبقه بندی (Classification) مجموعه داده IRIS با طبقه بند درخت تصمیم (Decision Tree)

در این پروژه قصد داریم طبقه بند درخت تصمیم را بر اساس مجموعه داده iris مورد بررسی قرار دهیم. برای اینکار دو حالت در نظر میگیرم:
قسمت اول: ساخت درخت تصمیم بدون هرس کردن
قسمت دوم: ساخت درخت تصمیم با هرس کردن و سطح هرس ۱٫

درخت تصمیم Decision Tree | طبقه بند درخت تصمیم

درخت ها در علوم هوش مصنوعی برای نمایش مفهوم های مختلفی از جمله ساختار جملات، معادلات ، حالت های بازی ، و غیره مورد استفاده قرار می گیرد.
طبقه بند درخت تصمیم روش دسته بندی یا طبقه بندی داده ها با ساختار درختی است که در آن گره های داخلی آزمون هایی هستند که بر روی الگوهای ورودی (ویژگی ها) انجام می شوند و گره های نهایی (برگ ها) کلاس مربوط به آن الگو می باشند. هر گره با توجه به مقادیری که ویژگی ( های) نسبت داده شده به آن گره می تواند برگزیند از طریق شاخه هایی به گره پایینی متصل است. در طبقه بند درخت تصمیم، هر الگوی ورودی با توجه به مقادیر ویژگی هایش یک مسیر را از گره اولیه (ریشه) به سمت پایین طی می کند و در نهایت با رسیدن به یکی از گره های نهایی (برگ) کلاس آن الگو مشخص می شود.
به این علت آن را درخت تصمیم نامیده اند که این درخت فرآیند تصمیم گیری برای تعیین دسته یک مثال ورودی را نشان میدهد.

طبقه بندی Classification

همواره در زندگی ما، مواردی وجود دارند که دوست داریم بدانیم اگر یک کاری را انجام دهیم نتیجه‌ی خوب یا بدی دارد؟ این کار رو چگونه انجام خواهیم داد؟ اگر بخواهیم بر اساس تجارب خودمان عمل کنیم نیاز داریم بر اساس کارهایی که قبلا انجام دادیم، و تجاربی که کسب کردیم ( یک فرآیند یادگیری رخ داده است)، برای شرایط جدید تصمیم گیری نماییم. این پارگراف بیان ساده ای از یادگیری ماشین را بیان می‌کند که تعریف دقیق و علمی آن به صورت زیر است:
طبقه‌ بندی (classification) علمی است که بر اساس داده‌های قبلی که دارای برچسب هستند، مدلی برای پیش بینی برچسب داده‌های جدید می‌سازد.
طبقه‌ بندی classification یکی از زیر شاخه‌ های اساسی یادگیری ماشین و داده کاوی است. و اساس آن داده‌های جمع‌‌آوری شده از اعمال گذشته هستند. اعمالی که بر اساس دانش فرد خبره برچسب گذاری شدند. برای اینکه یک مدل طبقه‌ بند خوب داشته باشیم، باید با داده‌ها و ساختار آنها و نیز تعداد دسته‌ها (برچسب-کلاس-طبقه‌) اطلاع داشته باشیم. هر چند آشنایی با ساختار و نوع داده‌ها گاها عملی غیر ممکن است اما در صورت وجود یک آشنایی ساده گاها نیز می‌توان مدل طبقه بند درست را انتخاب کرد.
برای درک مفهوم طبقه‌ بندی classification یک بار دیگر پارگراف اول را بخوانید. به بیان دیگر؛ طبقه‌ بندی classification فرآیند قرار داده نمونه‌های جدید در طبقات مختلف بر اساس داده‌های قدیمی است و برای این‌کار به یک مدل طبقه‌بند یا الگوریتم طبقه‌بند مانند طبقه بند درخت تصمیم نیاز است.

برای اطلاعات بیشتر در مورد طبقه بندی Classification کلیک کنید

مجموعه داده IRIS

در این پروژه از مجموعه داده IRIS استفاده شده است ، این مجموعه داده را می توانید در لینک زیر مشاهده نمایید.

https://archive.ics.uci.edu/ml/datasets/iris

نتایج پروژه

همانطور که در بالا هم گفته شد برای این پروژه دو حالت در نظر گرفته ایم: ساخت طبقه بند درخت تصمیم بدون هرس کردن و ساخت درخت تصمیم با هرس کردن و سطح هرس ۱٫نتایج این دو حالت روی مجموعه داده آزمون و آموزش در جدول زیر آورده شده است. بر این اساس مجموعه داده به روش hold Out  به دو دسته آموزش و آزمون تقسیم شده است.

در جدول بالا دلیل متفاوت بودن نتایج در هر دسته این است که در مرحله تقسیم داده به دو دسته آزمون و آموزش ، داده به صورت تصادفی انتخاب می‌‌شوند. در حالت کلی مشاهده می‌شود برای مجموعه داده IRIS هرس کردن درخت نتایج ضعیف تری به همراه خواهد داشت

کارشناسان وب سایت MATLABDL قادر به انجام پروژه در زمینه های مشابه نیز می باشند.

قیمت پروژه : ۴۰۰۰۰ تومان

حجم : ۱۱۰ کیلوبایت
توضیحات : پیاده سازی در نرم افزار متلب انجام شده است.
کلمات کلیدی: درخت تصمیم,طبقه بند درخت تصمیم,طبقه بندی با درخت تصمیم,مجموعه داده IRIS,
منبع : مطلب دی ال
رمز فایل : www.matlabdl.com