machine-learning - 将决策表转换为决策树

Question

如何将决策表转换或可视化为决策树图，是否有解决它的算法，或可视化它的软件？

例如，我想在下面可视化我的决策表：http: //i.stack.imgur.com/Qe2Pw.jpg

Answer 1

不得不说这是一个有趣的问题。

我不知道确切的答案，但我会提出这样的方法：

• 使用卡诺图将您的决策表转换为最小化布尔函数
• 把你的功能变成一棵树

让我们简单化一个例子，并假设使用卡诺得到你的功能(a and b) or c or d。你可以把它变成一棵树：

来源：我自己

Answer 2

从决策树生成决策表当然更容易，而不是相反。

但在我看来，您可以将决策表转换为数据集。让“疾病”成为类属性，并将证据视为简单的二进制实例属性。从中，您可以使用可用的决策树归纳算法之一轻松生成决策树，例如 C4.5。请记住禁用修剪并降低最小对象数参数。

在此过程中，您会丢失一些信息，但准确性将保持不变。看看描述疾病 D04 的两行 - 第二行实际上比第一行更笼统。从该数据生成的决策树将仅从 E11、12 和 13 属性中识别所提到的疾病，因为它足以正确标记实例。

Answer 3

我花了几个小时寻找一个好的算法。但我对我的结果很满意。我的代码现在太脏了，无法粘贴到这里（我可以根据您的要求私下分享），但总体思路如下。

假设您有一个包含一些决策标准和结果的数据集。

1. 定义树结构（例如 R 中的 data.tree）并创建“开始”根节点。
2. 计算数据集的结果熵。如果熵为零，你就完成了。
3. 使用每个标准，一个一个地作为树节点计算使用该标准创建的所有分支的熵。取所有分支中最小的一个熵。
4. 使用具有最小（最小）熵的标准创建的分支是您的下一个树节点。将它们添加为子节点。
5. 根据在步骤 4 中找到的决策点/树节点拆分数据并删除使用的标准。
6. 对每个分支重复步骤 2-4，直到所有分支的熵 = 0。
7. 享受您理想的决策树 :)