ต้นไม้ตัดสินใจ (Decision Tree) คืออะไร? คำอธิบายสำหรับมือใหม่
ต้นไม้ตัดสินใจ (decision tree) เป็นอัลกอริทึมการเรียนรู้แบบมีผู้สอนที่ทำนายผลผ่านชุดคำถามแบบใช่หรือไม่ ไปตามโครงสร้างรูปต้นไม้ตั้งแต่โหนดรากจนถึงโหนดใบที่ให้ผลลัพธ์สุดท้าย
อธิบายแบบง่าย
ลองนึกภาพเกมทายคำปริศนา คำถามแต่ละข้อช่วยลดตัวเลือกลงจนเหลือคำตอบเดียว ต้นไม้ตัดสินใจทำงานแบบนั้น แต่คำถามถูกเรียนรู้มาจากข้อมูล
ส่วนต่าง ๆ ของต้นไม้
| ส่วน | หน้าที่ |
|---|---|
| โหนดราก | คำถามแรก ครอบคลุมข้อมูลทั้งหมด |
| โหนดภายใน | ตรวจสอบคุณลักษณะ |
| กิ่ง | ผลลัพธ์ของแต่ละคำถาม |
| โหนดใบ | คำทำนายสุดท้าย |
ต้นไม้เลือกคำถามอย่างไร
อัลกอริทึมมองหาคำถามที่แยกข้อมูลได้ดีที่สุด มักใช้ค่าอย่าง Gini หรือ entropy เพื่อให้กลุ่มในแต่ละกิ่งมีความคล้ายคลึงกันมากขึ้น
การจำแนกประเภทและการถดถอย
ต้นไม้ตัดสินใจใช้ได้ทั้งการจำแนกประเภท เช่น แยกสแปม และการถดถอย เช่น ประมาณการยอดขาย
ข้อจำกัด
ต้นไม้ที่ปล่อยให้ลึกเกินไปอาจท่องจำข้อมูลฝึกและเกิด overfitting การจำกัดความลึกหรือตัดแต่งกิ่งเป็นวิธีที่นิยมใช้เพื่อรักษาความสมดุล
คำถามที่พบบ่อย
เหตุใดจึงเรียกว่าต้นไม้ตัดสินใจ
เพราะโครงสร้างแตกกิ่งคล้ายต้นไม้ มีรากอยู่ด้านบนและใบที่ให้ผลการตัดสินใจ
โหนดใบคืออะไร
โหนดสุดท้ายที่ไม่แตกกิ่งต่อแล้ว และให้ผลลัพธ์
ต้นไม้ตัดสินใจใช้เฉพาะจำแนกประเภทหรือไม่
ไม่ใช่ ยังสามารถทำงานถดถอยได้ด้วย
จุดเด่นหลักคืออะไร
ผลลัพธ์อ่านและอธิบายได้ง่ายเพราะทุกการตัดสินใจเป็นกฎที่เห็นชัด
สรุปประเด็นสำคัญ
- ต้นไม้ตัดสินใจทำนายผ่านคำถามตามลำดับ
- ประกอบด้วยราก โหนด กิ่ง และใบ
- ใช้ได้ทั้งจำแนกประเภทและถดถอย
- ต้นไม้ที่ลึกเกินไปเพิ่มความเสี่ยง overfitting
อ่านต่อ [overfitting คืออะไร](overfitting-khue-arai) และ [การเรียนรู้ของเครื่องคืออะไร](machine-learning-khue-arai)
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free