Das Video kommt von YouTube: erst beim Abspielen verbindet sich die Seite mit YouTube (Google).
Machine Learning #37 - Entscheidungsbäume #1 - Decision Trees
Das Wichtigste aus dem Video
Tipp auf eine Zeit – das Video springt genau dorthin.
Transkriptautomatisch erstellt · 29 Zeilen
- Hey Leute und herzlich willkommen zurück zum maschinellen Lernen. Heute geht es los mit einem neuen Unterkapitel, nämlich den Entscheidungsbäumen. Und am besten fangen wir direkt mal mit einem Beispiel an, dann kann man sich auch sofort vorstellen, was überhaupt diese Entscheidungsbäume sein sollen.
- Gut, also fangen wir direkt mal an. Wir sagen, hier oben ist irgendein Attribut. Das heißt zum Beispiel, wie wird das Wetter? Und dieses Attribut beeinflusst unsere Entscheidung, ob wir zum Beispiel Fahrrad fahren wollen, also unsere endgültige Entscheidung.
- Ihr erinnert euch noch, beim Konzeptlernen hatten wir sowas ähnliches. Und jetzt kann dieses Wetter natürlich mehrere Ausprägungen haben. Also zum Beispiel es kann sonnig sein, es kann regnen oder einfach nur Wolken haben.
- Und das hier ist jetzt eben auf diesen Kanten, also das Wetter steht im Knoten und auf den Kanten kriegen wir dann die einzelnen Ausprägungen. Das heißt, wir haben hier Sonne. Komm schon, muss doch nicht sein.
- So, jetzt aber. Dann haben wir hier den Regen zum Beispiel. Und wir haben, also Wetter besteht natürlich noch aus mehr als Sonne, Regen und Wolken, das ist mir bewusst, aber die Temperatur wollen wir jetzt in einem Extraknoten benutzen.
- Okay, was wir also schon mal sagen können ist, wir wollen bei Regen kein Fahrrad fahren. Das ist unsere Entscheidung, die dürfen wir so stehen lassen. Und die kann unser Programm zum Beispiel auch lernen.
- Da schreibe ich jetzt einfach mal ein F rein für Falls, also nein, wir wollen nicht Fahrrad fahren gehen. Gut, bei den Wolken, naja, Wolken sind mir ziemlich recht, weil ich hab's nicht so gerne warm, ich bin eher so ein Kellerkind.
- Und deswegen, Wolken sind okay, da gehe ich dann mal Fahrrad fahren. True. So, bei der Sonne ist es jetzt so eine Sache, Sonne ist, naja, ihr wisst, Kellerkinder haben eine helle Haut und so weiter und wenn es dann zu heiß wird, dann haben wir ein Problem.
- Das heißt, hier kommt noch ein weiteres Attribut rein, nämlich die Temperatur. Ich schreibe jetzt einfach mal nur Temp für Temperatur rein, damit es nicht unübersichtlich wird.
- Und jetzt können wir hier zum Beispiel reinschreiben, es ist zum Beispiel kalt oder es ist heiß oder es ist mittelwarm. Ich schreibe jetzt hier einfach nur mal 2 rein, denn ich glaube, ihr wisst, worauf ich raus will.
- Sagen wir hier einfach mal heiß und wir sagen kühl. So, und das sind wiederum die Ausprägungen von dem Merkmal Temperatur.
- Die haben jetzt nichts mit den Ausprägungen von dem Merkmal, äh, von dem Attribut Wetter zu tun, sondern nur mit der Temperatur. Aber das hier wird nur überprüft, wenn überhaupt die Sonne scheint.
- Alle anderen Fälle können wir direkt sagen, brauchen wir gar nicht überprüfen, sofort True oder Fault. Hier kann natürlich auch noch was dran hängen, aber da muss man die Temperatur trotzdem nicht überprüfen.
- So, und jetzt können wir hier unten einfach sagen, okay, wenn es heiß ist, nope, dann gehen wir nicht Fahrrad fahren. Und wenn es kalt ist oder kühl ist, dann gehen wir Fahrrad fahren. Das ist angenehm.
- So, und dann haben wir unseren Entscheidungsbaum schon mal. Also es ist ein relativ kleiner, überschaulicher Entscheidungsbaum, aber der ist durchaus zu was zu gebrauchen.
- So, jetzt kann man diesen Entscheidungsbaum natürlich nicht nur als solchen Baum hinpacken, sondern für die Leute, die auch meine Logik-Videos gesehen haben, wir können das Ganze als logische Disjunktion von Konjunktionen schreiben.
- Das hört sich wieder mal mega kompliziert an. Ich zeige euch einfach was gemeint ist. Und und oder kennt ihr auch, das weiß ich. Ähm, sonst wäre ich hier nicht, höchstwahrscheinlich.
- Okay, ansonsten, wie gesagt, ich habe eine Serie dazu gemacht. Wenn ihr gar nichts versteht, dann einfach mal da vorbeigucken. Okay, wir sagen Wetter, also das Attribut Wetter, ist gleich. Und jetzt gehen wir hier einfach den Baum runter.
- Wir wollen ja die true Dinge haben. Das heißt hier Temperatur muss kühl sein. Genau, also Wetter gleich Sonne und das soll ein logisches und sein.
- Wir können aber auch einfach diese zwei uns hier schreiben. Die schreibt man zum Beispiel beim Programmieren, wenn ihr eine IF-Abfrage habt. Okay, und das zweite Merkmal ist die Temperatur. Die muss gleich kühl sein.
- So, das ist unsere erste Variante, wie wir das Ganze hier auf true bekommen. Und die zweite Variante, deswegen schreiben wir jetzt hier ein oder. Halt, stopp, oder. Wir hatten gesagt, wir machen so nicht mit logischen Zeichen.
- Was bringt denn unsere ganze Gleichung hier noch auf true? Das ist false, das ist true, das ist true und das ist false. Das heißt, wir haben hier nur noch Wetter gleich Wolken.
- So, und das ist die Gleichung für unsere Aktion Fahrradfahren. Was muss dafür gelten, dass wir Fahrradfahren gehen? Und das ist doch eine sehr überschaubare Gleichung. Der ganze Graph hier, der macht das Ganze schön übersichtlich und bringt dann auch noch die anderen Attributausprägungen mit rein.
- Aber im Prinzip brauchen wir nur diese Gleichung hier, um direkt zu gucken, ob wir jetzt Fahrradfahren gehen oder nicht. Kurze Anmerkung, wir machen nächstes Mal den Algorithmus, der das Ganze für uns macht und der dann auch mit mehr noch umgeht.
- Aber wir haben hier explizite Merkmale. Das heißt, wir sagen, das Wetter muss gleich Sonne sein. Es kann nicht irgendwie Sonne zu 70% scheinen und Wolken zu 30% dann, sondern es muss auf jeden Fall Sonne sein.
- Und es muss genau kühl sein. Und kühl ist halt in dem Fall nicht wirklich definiert. Das muss man noch irgendwo reinhauen. Aber ich glaube, ihr wisst, was ich sagen möchte. Es ist nicht wirklich probabilistisch.
- Und da gibt es dann auch noch Ansätze, wie können wir das Ganze mit Wahrscheinlichkeiten machen. Denn wir wollen ja eine Wahrscheinlichkeit für die Zugehörigkeit am besten haben.
- Das macht das Ganze nämlich exakter, also eigentlich nicht exakter, aber im Endeffekt wird dann unser Klassifikator meistens besser. Deswegen streben wir eigentlich immer Wahrscheinlichkeiten an.
- Okay, das war es erstmal als kleine Einleitung. Nächstes Mal schauen wir uns den Algorithmus für diesen wunderschönen Baum an. Ich hoffe, es hat euch mal wieder gefallen und wir sehen uns beim nächsten Mal. Bis dann, ciao.
Zum Nachlesen
EntscheidungsbaumEntscheidungsbäume (englisch: decision tree) sind geordnete, gerichtete Bäume, die der Darstellung von Entscheidungsregeln dienen. Die grafische Darstellung …
Und-Oder-BaumEin Und-Oder-Baum ist eine Art Entscheidungsbaum aus der Informatik und dient als Datenstruktur in der Künstlichen Intelligenz, insbesondere beim Minimax …
Bedingte WahrscheinlichkeitBedingte Wahrscheinlichkeit (auch konditionale Wahrscheinlichkeit) ist die Wahrscheinlichkeit des Eintretens eines Ereignisses A {\displaystyle A} …
Bayes-KlassifikatorEr ordnet jedes Objekt der Klasse zu, zu der es mit der größten Wahrscheinlichkeit gehört, oder bei der durch die Einordnung die wenigsten Kosten entstehen.