معایب الگوریتم یادگیری ماشین درخت تصمیم گیری

معایب الگوریتم یادگیری ماشین درخت تصمیم گیری

آکادمی داده

۱۳۹۷/۰۴/۰۲


  • 158 بازدید

- در مواردی که هدف از یادگیری، تخمین تابعی با مقادیر پیوسته است مناسب نیستند. 
- در مواردی با تعداد دسته های زیاد و نمونه های آموزشی کم، احتمال خطا بالاست. 
- تولید درخت تصمیم گیری، هزینه ی محاسباتی بالایی دارد. 
- هرس کردن درخت هزینه ی بالایی دارد. 
- در مسائلی که دسته های ورودی با نواحی مکعبی به خوبی جدا نشوند و دسته ها هم پوشانی داشته باشند، خوب عمل نمی کنند.

- مدل های درخت تصمیم از لحاظ محاسباتی برای آموزش، پرهزینه هستند.
- در صورت همپوشانی گره ها تعداد گره های پایانی زیاد می شود. 
- در صورتی که درخت بزرگ باشد امکان دارد خطاها از سطحی به سطحی دیگر جمع شوند (انباشته شدن خطای لایه ها بر روی یکدیگر). 
- طراحی درخت تصمیم گیری بهینه دشوار است. کارایی یک درخت دسته بندی کننده به چگونگی طراحی خوب آن بستگی دارد. 
- احتمال تولید روابط نادرست وجود دارد. 
- بازنمایی درخت تصمیم دشوار است. 
- هنگامی که تعداد دسته ها زیاد است، می تواند باعث شود که تعداد گره های پایانی بیشتر از تعداد دسته های واقعی شده و بنابراین زمان جستجو و فضای حافظه افزایش یابد.

داده کاوی کاربردی، صنیعی آباده

کپی برداری بدون ذکر منبع، براساس قانون جرایم اینترتی و مادۀ 12 فصل سوم قانون جرایم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 

اگر در زمینه داده کاوی و الگوریتم درخت تصمیم گیری در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 

افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.