निर्णय वृक्ष
निर्णय वृक्ष(decision tree) एक डिसीजन सपोर्ट(decision support) टूल है, जो डिसीजन इवेंट के रिजल्ट, रिसोर्स कॉस्ट और यूटिलिटी सहित डिसीजन के ट्री जैसे मॉडल और उनके संभावित नतीजों का इस्तेमाल करता है। यह एक एल्गोरिथ्म प्रदर्शित करने का एक तरीका है जिसमें केवल सशर्त नियंत्रण कथन शामिल हैं।
अवलोकन संपादित करें
एक निर्णय वृक्ष एक फ्लोचार्ट(flowchart)जैसी संरचना है जिसमें प्रत्येक आंतरिक नोड एक विशेषता पर "परीक्षण" का प्रतिनिधित्व करता है (जैसे कि एक सिक्का फ्लिप सिर या पूंछ पर आता है), प्रत्येक शाखा परीक्षण के परिणाम का प्रतिनिधित्व करती है, और प्रत्येक पत्ती नोड एक का प्रतिनिधित्व करता है वर्ग लेबल (सभी विशेषताओं की गणना के बाद लिया गया निर्णय)। जड़ से पत्ती तक के पथ वर्गीकरण नियमों का प्रतिनिधित्व करते हैं।
एक निर्णय वृक्ष में तीन प्रकार के नोड होते हैं:[1]
1. निर्णय नोड्स - आमतौर पर वर्गों द्वारा प्रतिनिधित्व किया जाता है
2. संभावना नोड्स - आम तौर पर हलकों द्वारा प्रतिनिधित्व किया जाता है
3. अंत नोड्स - आमतौर पर त्रिकोण द्वारा दर्शाया गया
निर्णय वृक्ष का उपयोग आमतौर पर संचालन अनुसंधान(operations research) और संचालन प्रबंधन(operations management) में किया जाता है। यदि, व्यवहार में, निर्णय को अपूर्ण ज्ञान के तहत याद नहीं के साथ ऑनलाइन लिया जाना है, तो एक निर्णय वृक्ष को एक संभावना मॉडल द्वारा सर्वोत्तम विकल्प मॉडल या ऑनलाइन चयन मॉडल एल्गोरिथ्म के रूप में समान होना चाहिए। निर्णय पेड़ों का एक और उपयोग सशर्त संभावनाओं की गणना के लिए एक वर्णनात्मक साधन के रूप में है।
निर्णय वृक्ष निर्माण खंड संपादित करें
बाएं से दाएं की ओर खींचा गया, एक निर्णय पेड़ ने केवल नोड्स (विभाजन पथ) को तोड़ दिया है, लेकिन कोई सिंक नोड्स (पथ परिवर्तित करना) नहीं है। इसलिए, मैन्युअल रूप से उपयोग किया जाता है, वे बहुत बड़े हो सकते हैं और फिर अक्सर पूरी तरह से हाथ से खींचना मुश्किल होता है। परंपरागत रूप से, निर्णय पेड़ों को मैन्युअल रूप से बनाया गया है - जैसा कि एक तरफ उदाहरण से पता चलता है - हालांकि तेजी से, विशेष सॉफ्टवेयर कार्यरत है।
निर्णय नियम संपादित करें
निर्णय के पेड़ को निर्णय नियमों में रैखिक बनाया जा सकता है[2], जहां परिणाम पत्ती नोड की सामग्री है, और पथ के साथ स्थितियां अगर खंड में एक संयोजन बनाती हैं। सामान्य तौर पर, नियमों के रूप हैं:
अगर condition1 और condition2 और condition3 तो परिणाम।
निर्णय नियम दाईं ओर लक्ष्य चर के साथ संघ के नियमों का निर्माण करके उत्पन्न किया जा सकता है। वे लौकिक या कारण संबंधों को भी निरूपित कर सकते हैं।[3]
फायदे और नुकसान संपादित करें
निर्णय समर्थन उपकरण के बीच, निर्णय वृक्ष (और आरेखों को प्रभावित) के कई फायदे हैं। निर्णय वृक्ष:
- समझने और व्याख्या करने के लिए सरल हैं। लोग संक्षिप्त विवरण के बाद निर्णय ट्री मॉडल को समझने में सक्षम हैं।
- थोड़े कठिन डेटा के साथ भी मूल्य रखें। एक स्थिति का वर्णन करने वाले विशेषज्ञों (परिणामों, संभावनाओं और लागतों) और परिणामों के लिए उनकी प्राथमिकताओं के आधार पर महत्वपूर्ण अंतर्दृष्टि उत्पन्न की जा सकती है।
- विभिन्न परिदृश्यों के लिए सबसे खराब, सर्वोत्तम और अपेक्षित मान निर्धारित करने में सहायता करें।
- एक सफेद बॉक्स मॉडल का उपयोग करें। यदि किसी दिए गए परिणाम को एक मॉडल द्वारा प्रदान किया जाता है।
- अन्य निर्णय तकनीकों के साथ जोड़ा जा सकता है।
नुकसान:
- वे अस्थिर हैं, जिसका अर्थ है कि डेटा में एक छोटा सा बदलाव इष्टतम निर्णय पेड़ की संरचना में एक बड़ा बदलाव ला सकता है।
- वे अक्सर अपेक्षाकृत गलत होते हैं। कई अन्य भविष्यवक्ता समान डेटा के साथ बेहतर प्रदर्शन करते हैं। यह निर्णय पेड़ों के एक यादृच्छिक जंगल के साथ एक एकल निर्णय पेड़ की जगह द्वारा remedied किया जा सकता है, लेकिन एक यादृच्छिक जंगल एक एकल निर्णय पेड़ के रूप में व्याख्या करना आसान नहीं है।
- विभिन्न स्तरों के साथ श्रेणीबद्ध चर सहित डेटा के लिए, निर्णय पेड़ों में सूचना लाभ अधिक स्तरों के साथ उन विशेषताओं के पक्षपाती हैं।
- गणना बहुत जटिल हो सकती है, खासकर अगर कई मूल्य अनिश्चित और / या यदि कई परिणाम जुड़े हुए हैं।