МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное автономное образовательное учреждение высшего образования

«САНКТ-ПЕТЕРБУРГСКИЙ УНИВЕРСИТЕТ АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ»

КАФЕДРА № 82

ОТЧЕТ ЗАЩИЩЕН С ОЦЕНКОЙ

ПРЕПОДАВАТЕЛЬ

доцент				В.С. Блюм
должность, уч. степень, звание		подпись, дата		инициалы, фамилия

ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ №3

Метод деревьев принятия решений

по курсу: Интеллектуальные информационные системы

РАБОТУ ВЫПОЛНИЛ

СТУДЕНТ ГР. №	4616				А.В.Павлов
			подпись, дата		инициалы, фамилия

Санкт-Петербург 2019

Цель работы: Метод деревьев принятия решений

Ход работы:

Деревья решений – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение

Рисунок 1 – Схема дерева решений

Рассмотрим готовый пример с Decision Tree.

Рисунок 2 – Decision Tree

Далее используем таблицу deals для создания дерева решений.

Рисунок 3 – Таблица deals

Рисунок 4 – Процесс создания

Рисунок 5 – Результат работы Decision Tree для таблицы продуктов

Рисунок 6 – Описательный результат

Из полученных результатов можно сделать вывод о том что, покупатели вне зависимости от пола, которые покупают с помощью кредитной карты чаще становиться будущими посетителями. В то время как при использование наличными или чеком, женщины меньше 31 года, не становиться будущими посетителями в отличии от мужчин

Далее рассмотрим ID3 для наших данных, а именно таблицы со списком покупок в разных городах и со значениями пола, категории продукта, типа оплаты и цены товара, является ли он членом магазина(есть ли карта магазина)

Оставим в ней только нужные данные с помощью Select Attributes и отсортируем их

Рисунок 7 - Таблица со списком покупок

Рисунок 8 – Настройка процесса ID3

Рисунок 9 – Результат работы ID3

Из полученного графа можно сделать следующий вывод. Для города Naypyitaw. Для людей которые имеют членство в магазине ( карту магазина ), цена продуктовой корзины отличается во много раз в зависимости от типа оплаты. Например. Мужчина участник потратил 56 у.е в то время как другом мужчина обычный покупатель купил на 30 у.е за наличные. Для кредитной карты показатели очень похожее. Таким образом можно сделать вывод, что покупатели с членской картой тратят в магазине гораздо больше чем обычные покупатели.

Вывод: В ходе лабораторной работы мы ознакомились с методами деревьев принятий решений. Посмотрели встроенные данные, которые есть по умолчанию в RapidMiner, а так же загрузили свои данные и обработали их с помощью деревьев принятий решений, сделали вывод из полученных решений.

Контрольные вопросы:

1. Деревья решений – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение

2. Задачи классификации(отнесения объектов к одному из заранее известных классов), задачи численного прогнозирования (предсказания значений целевой переменной) – решаются методом деревьев решений и хранение данных в сжатом виде

3. Существуют следующие алгоритмы для построения деревьев решений - разделения и захвата, обучением с учителем, CART, C4.5, NewId, ITrule, CHAID, CN2 и т.д.

4. Разбиение узлом может происходит по следующим критериям – теоретико-информационный и статический

5. Преимущества использования деревьев решений следующие – высокая точность прогноза, быстрый процесс обучения, генерация правил в областях, где эксперту трудно формализовать свои знания, извлечение правил на естественном языке, интуитивно понятная классификационная модель.