Perbedaan Antara Pohon Keputusan dan Hutan Acak - Perbedaan Antara

Perbedaan Antara Pohon Keputusan dan Hutan Acak

Itu perbedaan utama antara pohon keputusan dan hutan acak adalah itu pohon keputusan adalah grafik yang menggunakan metode percabangan untuk menggambarkan setiap hasil yang mungkin dari suatu keputusan sementara hutan acak adalah seperangkat pohon keputusan yang memberikan hasil akhir berdasarkan output dari semua pohon keputusannya.

Pembelajaran mesin adalah aplikasi Kecerdasan Buatan, yang memberikan sistem kemampuan untuk belajar dan meningkatkan berdasarkan pengalaman masa lalu. Pohon keputusan dan hutan acak adalah dua teknik dalam pembelajaran mesin. Pohon keputusan memetakan hasil yang mungkin dari serangkaian pilihan terkait. Ini populer karena sederhana dan mudah dimengerti. Ketika dataset menjadi jauh lebih besar, pohon keputusan tunggal tidak cukup untuk menemukan prediksi. Hutan acak, yang merupakan kumpulan pohon keputusan, merupakan alternatif untuk masalah ini. Output dari hutan acak didasarkan pada output dari semua pohon keputusannya.

Bidang-bidang Utama yang Dicakup

1. Apa itu Pohon Keputusan
- Definisi, Fungsi, Contoh
2. Apa itu Hutan Acak
- Definisi, Fungsi, Contoh
3. Perbedaan Antara Pohon Keputusan dan Hutan Acak
- Perbandingan Perbedaan Kunci

Ketentuan Utama

Pohon Keputusan, Pembelajaran Mesin, Hutan Acak


Apa itu Pohon Keputusan

Pohon keputusan adalah diagram bentuk pohon yang digunakan untuk menentukan arah tindakan. Setiap cabang pohon mewakili keputusan, kejadian atau reaksi yang memungkinkan.

Ada beberapa istilah yang terkait dengan pohon keputusan. Entropi adalah ukuran ketidakpastian dalam dataset. Setelah memisahkan dataset, level entropi menurun seiring ketidakpastian yang menurun. Keuntungan informasi adalah penurunan entropi setelah meludah dataset. Penting untuk membagi data sedemikian rupa sehingga perolehan informasi menjadi lebih tinggi. Keputusan akhir atau klasifikasi disebut node daun. Node paling atas atau utama disebut root node. Dataset harus dipisah sampai entropi akhir menjadi nol.

Pohon keputusan sederhana adalah sebagai berikut.


Gambar 1: Pohon Keputusan

Pohon keputusan di atas mengklasifikasikan satu set buah. Ada 4 buah anggur, 2 apel, dan 2 jeruk. Ketika mempertimbangkan diameter kurang dari 5, anggur dikategorikan menjadi satu sisi sedangkan jeruk dan apel ke sisi lainnya. Anggur tidak dapat diklasifikasikan lebih lanjut karena memiliki nol entropi. Ketika dikategorikan berdasarkan warna, mis., Apakah buah merah merah atau tidak, apel diklasifikasikan menjadi satu sisi sedangkan jeruk diklasifikasikan ke sisi lain. Dengan demikian, pohon keputusan ini mengklasifikasikan apel, anggur atau oranye dengan akurasi 100%.

Secara keseluruhan, pohon keputusan mudah dipahami, lebih mudah untuk ditafsirkan dan divisualisasikan. Tidak membutuhkan banyak persiapan data. Ini dapat menangani data numerik dan kategorikal. Di sisi lain, noise dalam data dapat menyebabkan overfitting. Selain itu, model juga bisa menjadi tidak stabil karena variasi kecil.

Apa itu Hutan Acak

Hutan acak adalah metode yang beroperasi dengan membangun beberapa pohon keputusan selama fase pelatihan. Keputusan mayoritas pohon adalah keputusan akhir hutan acak. Contoh sederhana adalah sebagai berikut.

Asumsikan ada satu set buah (ceri, apel, dan jeruk). Berikut ini adalah tiga pohon keputusan yang mengelompokkan tiga jenis buah ini.


Gambar 2: Pohon keputusan 1


Gambar 3: Pohon Keputusan 2


Gambar 4: Pohon Keputusan 3

Buah baru dengan diameter 3 diberikan pada model. Buah ini berwarna oranye, dan tumbuh di musim panas. Pohon keputusan pertama akan mengkategorikannya sebagai jeruk. Pohon keputusan kedua akan mengkategorikannya sebagai ceri sedangkan pohon keputusan ketiga akan mengkategorikannya sebagai jeruk. Saat mempertimbangkan ketiga pohon, ada dua output untuk jeruk. Oleh karena itu, hasil akhir dari hutan acak adalah jeruk.

Secara keseluruhan, hutan acak memberikan hasil yang akurat pada dataset yang lebih besar. Ini juga mengurangi risiko overfitting.

Perbedaan Antara Pohon Keputusan dan Hutan Acak

Definisi

Pohon keputusan adalah alat pendukung keputusan yang menggunakan grafik atau model keputusan seperti pohon dan kemungkinan konsekuensinya, termasuk hasil acara kebetulan, biaya sumber daya, dan utilitas. Hutan acak adalah metode pembelajaran ensembel yang beroperasi dengan membangun banyak pohon keputusan pada waktu pelatihan dan menghasilkan kelas tergantung pada masing-masing pohon.

Overfitting

Ada kemungkinan overfitting di pohon keputusan. Penggunaan beberapa pohon di hutan acak mengurangi risiko overfitting.

Ketepatan

Hutan acak memberikan hasil yang lebih akurat daripada pohon keputusan.

Kompleksitas

Pohon keputusan lebih sederhana dan lebih mudah untuk dipahami, ditafsirkan dan divisualisasikan daripada hutan acak, yang relatif lebih kompleks.

Kesimpulan

Perbedaan antara pohon keputusan dan hutan acak adalah pohon keputusan adalah grafik yang menggunakan metode percabangan untuk menggambarkan setiap hasil yang mungkin dari suatu keputusan sedangkan hutan acak adalah seperangkat pohon keputusan yang memberikan hasil akhir berdasarkan hasil dari semua pohon keputusannya.

Referensi:

1. Algoritma Hutan Acak - Hutan Acak Dijelaskan | Hutan Acak dalam Pembelajaran Mesin , Simplilearn, 12 Maret 2018,