Machine learning

Pohon Keputusan

Pohon Keputusan ialah kaedah klasifikasi dan regresi yang boleh ditafsirkan, diformalkan oleh Breiman, Friedman, Olshen dan Stone dalam rangka kerja CART mereka pada tahun 1984, yang membahagikan data dengan peraturan jika-maka hierarkis. Setiap pemisahan menghantar pemerhatian ke satu cabang atau yang lain sehingga ramalan dibaca daripada daun.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Pohon Keputusan

Regresi Logistik Naive Bayes Random Forest Mesin Vektor Sokongan (K…XGBoost Pohon Keputusan Pembelaj…AdaBoost Bagging (Bootstrap Aggre…Pohon Keputusan Bayesian Boosting

+31 more

Sumber

Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Wadsworth. DOI: 10.1201/9781315139470 ↗

Cara memetik halaman ini

ScholarGate. (2026, June 1). Decision Tree (CART — Classification and Regression Trees). ScholarGate. https://scholargate.app/ms/machine-learning/decision-tree

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Regresi LogistikStatistik Penyelidikan↔ compare
Naive BayesPembelajaran Mesin↔ compare
Random ForestPembelajaran Mesin↔ compare
Mesin Vektor Sokongan (Klasifikasi)Pembelajaran Mesin↔ compare
XGBoostPembelajaran Mesin↔ compare

Compare side by side →

Dirujuk oleh

Pohon Keputusan Pembelajaran Aktif AdaBoost Bagging (Bootstrap Aggregating)Pohon Keputusan Bayesian Boosting Penalaran Berasaskan Kes (CBR)CatBoost Pohon Keputusan Ensemble Gradient Boosting Ensemble Pohon Keputusan Boleh Dijelas Pokok Tambahan Boleh Dijelaskan K-Means Boleh Terang K-Nearest Neighbors Boleh Dijelaskan Explainable LightGBM Naive Bayes Boleh Dijelaskan Random Forest Boleh Dijelas (Explainable Random Forest)Pokok Tambahan Peningkatan Cerun Isolation Forest K-Nearest Neighbors LightGBM Regresi Linear (ML)Regresi Logistik (ML)Multivariate Adaptive Regression Splines (MARS)Naive Bayes Pohon Keputusan Dalam Talian Random Forest Pokok Keputusan Terlaras Random Forest Tersenor (RRF)Pohon Keputusan Teguh (Robust Decision Tree)Robust Random Forest Induksi Aturan (RIPPER)Pohon Keputusan Kendiri-Selia Hutan Rawak Kendiri-Penyeliaan Pohon Keputusan Separuh Selia FP-growth Separuh-Selia (Semi-supervised FP-growth)SHAP (SHapley Additive exPlanations)Stacking XGBoost

Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →

Baca kaedah sepenuhnya

Method map

Sumber

Cara memetik halaman ini

Kaedah berkaitan

Which method?

Dirujuk oleh