将决策表转换为决策树

Posted 2023-03-12

【中文标题】将决策表转换为决策树

【英文标题】：Convert Decision Table To Decision Tree

【发布时间】：2015-10-22 13:35:20

【问题描述】：

如何将决策表转换或可视化为决策树图， 有没有解决它的算法，或者可视化它的软件？

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

【参考方案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Karnaugh map 将您的决策表转换为最小化布尔函数 把你的函数变成一棵树

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：我自己的

【参考方案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，但准确性会保持不变。看看描述疾病 D04 的两行 - 第二行实际上比第一行更笼统。从这些数据生成的决策树将仅从 E11、12 和 13 属性中识别出上述疾病，因为它足以正确标记实例。

【讨论】：

是的，实际上这是我在使用 DT 算法时的问题，他们应该删除信息增益低的属性，而我需要创建不删除属性的树。

想到的一件事是更改表格中包含多行的标签。例如将 D01 更改为 D01_1 和 D01_2，归纳后，在创建的 DT 中，只需将其更改回 D01。

我已经尝试像你说的那样更改疾病/类别标签，但 DT 仍然删除了疾病 D01 的证据 E01。我使用随机森林算法生成 DT。

证据 E01 完全没有提供识别这些疾病所需的信息，所以我担心常规的 DT 归纳算法会忽略它。此外，对于这种情况，您可能选择了最差的算法 - 随机森林生成的不是一个决策树，而是一个包含许多不同 DT 的集合。它还使用随机属性选择来使森林中的树木多样化，这可能会导致您丢失 E01 属性。尝试使用 ID3 或 C4.5，但请记住禁用预剪枝和后剪枝。

【参考方案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。

定义树结构（例如 R 中的 data.tree）并创建“Start”根节点。 计算数据集的结果熵。如果熵为零，您就完成了。 使用每个标准，一一作为树节点计算使用此标准创建的所有分支的熵。取所有分支中最小的一个熵。 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。 根据第 4 步中找到的决策点/树节点拆分数据并删除使用的标准。 对每个分支重复步骤 2-4，直到所有分支的熵 = 0。 享受您的理想决策树 :)

【讨论】：

你想给我发一封电子邮件到 [e-mail]