So one method in machine learning that's very,
very popular is called decision trees.
And just as in support vector machines, you were able to use a kernel trick,
to change from linear to non-linear decision surfaces.
Decision trees use a trick to let you do non-linear decision making with simple,
linear decision surfaces.
So let's start with an example.
I have a friend named Tom, and Tom loves to windsurf.
But to enjoy wind surfing, he needs two things.
He needs wind, and he also needs the sun because he
doesn't really like surfing with overcast or in rain.
So, we take all the days of last year and make them data points.
He doesn't surf when the weather isn't very sunny.
And he doesn't surf when there's not enough wind.
But when these conditions are met as windy, and it's sunny,
he enjoys windsurfing on the lake.
My very first question, is this data linearly separable?
Yes or no?
إحدى الطرق الشهيرة للغاية في التعلم الآلي
.يُطلق عليها اسم أشجار القرار
،وحيث إن الأمر يرتبط بالدعم من الأجهزة، فإن كلاً منكم سيكون قادرًا على استخدام خدعة النواة
.للتغيير من أسطح القرار الخطية إلى غير الخطية
وتستخدم أشجار القرار خدعة تتيح لك تنفيذ عملية صنع القرار غير الخطية بواسطة
.أسطح قرار خطية بسيطة
.ولنبدأ بأحد الأمثلة
.لدي صديق يُدعى توم، ويحب ركوب الأمواج
ولكي يستمتع بركوب الأمواج، يحتاج إلى شيئين اثنين؛
الرياح والشمس لأنه بالتأكيد
.لن يحب ركوب الأمواج عندما تكون السماء ملبدة بالغيوم أو حين هطول الأمطار
.لذا، أخذنا أيام العام الماضي جميعها كمثال وجعلناها نقاط بيانات
.فهو لا يذهب لركوب الأمواج حين يكون الطقس مشمسًا جدًا
.كما لا يذهب حين يكون مقدار الرياح غير كافٍ
،ولكن عندما تتوفر هذه الحالات، حين يكون الطقس مشمسًا والرياح متوفرة
.فإنه يستمتع بركوب الأمواج في البحيرة
سؤالي الأول، هل هذه البيانات قابلة للفصل خطيًا؟
نعم أم لا؟
機械学習の1つのメソッド、決定木(デシジョン・ツリー)は、
とてもポピュラーです。
また、サポート・ベクター・マシーンのように、あなたはカーネルトリックを使用して、
線形から非線形に決定境界を変えることができます。
決定木は、線形識別の境界を使い、シンプルな方法で
非線形な境界を決定します。
では、サンプルを見ながら始めましょう。
トムという友達がいて、トムはウインドサーフィンが好きです。
ウインドサーフィンを楽しむために2つの条件が必要です。
彼は風のある日を好み、また晴れの日が必要です。
なぜなら、彼は悪天候や雨が好きではありません。
だから、私たちは昨年のすべての天候のデータを取得し、それをデータポイントにします。
天気が悪い日はウインドサーフィンをしません。
また、風がない日もウインドサーフィンをしません。
風があり、晴れているとき、
トムは湖でウインドサーフィンを楽しみます。
最初の質問です。このデータは線形で分けることが可能でしょうか?
YesかNoか?
Um método no aprendizado de máquina que é muito,
muito popular é chamado de árvores de decisão.
E como no suporte com as máquinas, você era capaz de usar um truque de kernel,
para mudar superfícies de decisão de linear para não linear.
Árvores de decisão usam um truque que permitem tomar decisões não lineares, com superfícies
de decisão simples e lineares.
Vamos começar com um exemplo.
Eu tenho um amigo chamado Tom, e Tom adora windsurf.
Mas para curtir o windsurf, ele precisa de duas coisas.
Vento e também precisa do sol, porque ele
não gosta muito de surfar com tempo nublado ou chovendo.
Pegamos todos os dias do último ano e os tornamos em pontos de dados.
Ele não pratica windsurf quando não está muito sol.
E ele não pratica windsurf quando não há vento suficiente.
Mas quando essas condições, vento e sol, se combinam,
ele sai para praticar windsurf no lago.
Minha primeira pergunta, estes dados são separáveis linearmente?
Sim ou não?
所以在机器的学习中 一个非常
非常流行的方法是决策树
正如支持机器 你需要会使用核心程序技巧
将线性改变为非线性的决策面
决策树使用技巧 让你做出非线性的决定
通过简单的线性的决策面
所以 让我们以一个例子开始
我有一个名字叫Tom的朋友 他喜欢风帆冲浪
但是为了进行风帆冲浪 他需要两样东西
它需要风 也需要太阳
因为他并不喜欢在阴天或雨中冲浪
所以 我们选取去年一年中所有天数
制成数据集
在天气不够晴朗时 他不会冲浪
在风力不够交付 他不会冲浪
但是有风且晴朗的条件满足时
他喜欢在湖中冲浪
我的第一个问题是
数据是线性不可分割的么?
是还是不是呢?